في التعلم متعدد المهام، يتم حل العديد من المهام بشكل مشترك، مع مشاركة التحيز الاستقرائي بينها. يعتبر التعلم متعدد المهام في جوهره مشكلة ذات أهداف متعددة لأن المهام المختلفة قد تتعارض، مما يتطلب توازنًا. الحل الشائع هو تحسين هدف وسطي يقلل من مجموع الخسائر المرتبطة بكل مهمة مع وزن خطي. ومع ذلك، فإن هذا الحل البديل صالح فقط عندما لا تنافس المهام بعضها البعض، وهو نادر الحدوث. في هذه الورقة البحثية، نقوم بتحديد التعلم متعدد المهام صراحة كتحسين ذي أهداف متعددة، مع الهدف العام هو العثور على حل باريتو مثالي (Pareto optimal). لهذا الغرض، نستخدم خوارزميات تم تطويرها في أدبيات التحسين المتعدد الأهداف القائمة على التدرج. هذه الخوارزميات ليست قابلة للتطبيق مباشرة على المشكلات التعليمية الكبيرة الحجم لأنها لا تعمل بكفاءة مع زيادة بعدية التدرجات وعدد المهام. لذلك، نقترح حدًا علويًا للخسارة ذات الأهداف المتعددة ونثبت أنه يمكن تحسينه بكفاءة. بالإضافة إلى ذلك، نثبت أن تحسين هذا الحد العلوي يؤدي إلى حل باريتو مثالي تحت افتراضات واقعية. نطبق طريقتنا على مجموعة متنوعة من المشكلات التعليمية العميقة متعددة المهام مثل تصنيف الأرقام، فهم المشاهد (التفتيش الدلالي المشترك، والتفتيش حسب النماذج، وتقدير العمق)، والتصنيف ذو العلامات المتعددة. طريقتنا تنتج نماذج ذات أداء أعلى من الصيغ الحديثة للتعلم متعدد المهام أو التدريب لكل مهمة بشكل منفصل.