의료 분야의 많은 예측 문제에서 타겟 레이블(target labels)은 클래스 순서가 임상적으로 의미 있는 중증도를 반영하는 내재적인 서열 구조(ordinal structure)를 나타냅니다. 오분류와 관련된 비용은 종종 비균등하고 비대칭적입니다. 멀리 떨어진 서열 범주 간의 오류는 인접한 범주 간의 오류보다 실질적으로 더 심각한 결과를 초래할 수 있으며, 질병의 중증도를 과대평가하는 것은 과소평가하는 것과 다른 임상적 함의를 가질 수 있기 때문입니다. 다중 클래스 교차 엔트로피(multi-class cross-entropy)와 같은 전통적인 손실 함수(loss functions)는 모든 오분류를 동일하게 취급하며 이러한 순서 정보를 통합하지 못합니다. 최근의 서열 회귀(ordinal regression) 연구는 딥러닝 모델에 순위 기반 구조(rank-based structures)를 통합함으로써 이러한 한계를 해결하는 것을 목표로 합니다. 본 연구에서는 서열 데이터로부터 학습하기 위한 일반적이고 아키텍처에 독립적인 접근 방식인 extbf{Ordinal Cross-Entropy (OCE)} 프레임워크를 소개합니다. 제안된 방법은 기존 손실 함수의 확률적 해석과 최적화 이점을 유지하면서, 서열 비용 행렬(ordinal cost matrix)을 통해 오분류의 심각성을 고려하도록 표준 교차 엔트로피 공식을 확장합니다. 우리는 OCE의 그래디언트(gradient) 동작에 대한 이론적 분석을 제공하며, 이것이 더 부드러운 최적화 역학(optimization dynamics)과 향상된 서열 일관성(ordinal consistency)을 생성함을 보여줍니다. 벤치마크 데이터셋에 대한 실험 결과, 우리의 방법은 기존의 최첨단(state-of-the-art) 서열 접근 방식과 비교하여 더 낮은 예측 오류 비용과 더 나은 보정(calibration) 성능을 달성하였으며, 이를 통해 OCE가 심층 신경망의 서열 회귀를 위한 단순하면서도 효과적인 솔루션임을 입증하였습니다.