顔貌属性（例：年齢や魅力度）の推定性能は、畳み込みニューラルネットワーク（CNN）の活用により著しく向上している。しかし、従来の手法には学習目的と評価指標の不一致が存在するため、最適な性能を発揮できない場合がある。さらに、これらの手法はパラメータ数が非常に多い画像分類または顔認識モデルを採用しており、計算コストおよびストレージ負荷が高くなるという課題を抱えている。本論文では、最先端の2つの手法（Ranking-CNNとDLDL）の本質的な関係を初めて分析し、Ranking法が実際にはラベル分布を暗黙的に学習していることを示した。この結果により、既存の2つの代表的な最先端手法を一元的にDLDLフレームワークに統合する初の試みが達成された。第二に、不一致の緩和とリソース消費の削減を目的として、軽量なネットワークアーキテクチャを設計し、顔貌属性の分布推定と属性値の回帰を同時に学習可能な統合型フレームワークを提案した。本手法の有効性は、顔貌年齢および魅力度推定の両タスクにおいて実証された。単一モデルとしての本手法は、従来の手法と比較してパラメータ数を36倍削減し、推論速度を3倍高速化しながら、顔貌年齢・魅力度推定において新たな最先端性能を達成した。さらに、パラメータ数をさらに0.9M（ディスクストレージで3.8MB）まで削減しても、最先端手法と同等の性能を達成できることが示された。