多くの実世界の予測タスクにおいて、クラスラベルにはラベル間の相対的な順序情報が含まれていますが、この情報は多クラス交差エントロピーなどの一般的に使用される損失関数では捉えられていません。最近、ディープラーニングコミュニティでは、このような順序情報を考慮に入れるために順序回帰フレームワークが採用されています。ニューラルネットワークは、順序目標をバイナリ分類サブタスクに変換することで順序回帰機能を備えました。しかし、この方法には異なるバイナリ分類器間での一貫性の欠如という問題があります。これらの不整合を解決するために、我々は強力な理論的保証を持つ順位単調性と一貫した信頼度スコアを提供する「COnsistent RAnk Logits (CORAL)」フレームワークを提案します。さらに、提案手法はアーキテクチャに依存せず、最先端の深層ニューラルネットワーク分類器を任意の順序回帰タスクに拡張することができます。提案されたランク一貫性手法の顔画像データセットにおける年齢予測への経験的評価では、基準となる順序回帰ネットワークと比較して予測誤差が大幅に減少することが示されました。