顔面美の予測（Facial Beauty Prediction, FBP）は、人間の美的認識と整合性を持つ顔面の魅力評価を実現する重要な視覚認識課題である。この課題に対処するため、近年、特に最先端の深層学習技術を活用したデータ駆動型モデルが多数提案されており、ベンチマークデータセットはFBPの実現に不可欠な要素の一つとなっている。従来の研究では、顔面美の認識を分類、回帰、順位付けという特定の教師あり学習問題として定式化してきた。これは、FBPが複数の計算パラダイムを有する本質的な計算問題であることを示している。しかし、多くの既存のFBPベンチマークデータセットは、特定の計算制約の下で構築されており、そのデータセット上で学習された計算モデルの性能と柔軟性に制限をもたらしている。本論文では、FBPが多パラダイム型の計算問題であると主張し、多パラダイム型顔面美予測を実現するための新しい多様なベンチマークデータセット「SCUT-FBP5500」を提案する。SCUT-FBP5500は、合計5500枚の正面顔画像から構成されており、性別（男性／女性）、人種（アジア人／白人）、年齢など多様な属性を有し、顔面ランドマーク、[1, 5]の範囲内の美しさスコア、美しさスコアの分布といった多様なラベルを備えている。これにより、外見に基づく／形状に基づく顔面美分類・回帰モデルなど、性別や人種（アジア人／白人）に応じた異なるFBPパラダイムを採用したさまざまな計算モデルの適用が可能となる。本研究では、異なる特徴量と予測器の組み合わせ、および多様な深層学習手法を用いてSCUT-FBP5500データセットを用いたFBP評価を行い、その結果、FBP性能の向上およびSCUT-FBP5500を基盤とした潜在的な応用可能性が示された。