يُعد تقدير صفات الوجه له تطبيقات محتملة عديدة في مراقبة الفيديو، واسترجاع الوجوه، والوسائط الاجتماعية. وعلى الرغم من اقتراح عدد من الأساليب لتقدير صفات الوجه، إلا أن معظمها لم يأخذ بعين الاعتبار بشكل صريح ارتباطات الصفة وتباينها (مثل الترتيبية مقابل الاسمية، والشاملة مقابل المحلية) أثناء عملية تعلم تمثيل الميزات. في هذه الورقة، نقدم نهجًا يعتمد على التعلم متعدد المهام العميق (DMTL) لتقدير مجموعة من الصفات المتنوعة من صورة وجه واحدة. في نهج DMTL، نعالج ارتباطات الصفة وتباينها باستخدام شبكات عصبية تلافيفية (CNNs) تتضمن تعلمًا مشتركًا للميزات لجميع الصفات، وتعلمًا مخصصًا للنوع للفئات المختلفة من الصفات. كما نُقدِّم قاعدة بيانات وجوه غير مُقيَّدة (LFW+)، وهي توسيع لقاعدة البيانات العامة LFW، تحتوي على صفات ديموغرافية متنوعة (العمر، الجنس، العرق) تم جمعها عبر عملية جمع الأفكار الجماعية (crowdsourcing). أظهرت النتائج التجريبية على معايير متعددة الصفات الوجهية (MORPH II، LFW+، CelebA، LFWA، وFotW) أن النهج المقترح يتفوق على أحدث الأساليب المطروحة. وأخيرًا، أظهرت التقييمات على قاعدة بيانات وجوه عامة (LAP) تحتوي على صفة واحدة أن النهج المقترح يتمتع بقدرة ممتازة على التعميم.