بفضل التعلم المشترك لعدة مهام في الشبكات العميقة متعددة المهام، أظهرت العديد من التطبيقات أداءً واعدًا مقارنةً بالتعلم الفردي للمهمة الواحدة. ومع ذلك، يعتمد أداء إطار العمل الخاص بالتعلم متعدد المهام بشكل كبير على الأوزان النسبية لكل مهمة. وتمثّل كيفية تعيين وزن كل مهمة قضية حاسمة في التعلم متعدد المهام. بدلًا من ضبط هذه الأوزان يدويًا، وهو ما يُعد مرهقًا وطويل الأمد، نقترح في هذا البحث منهجية تُمكّن من تعديل الأوزان ديناميكيًا وفقًا لصعوبة تدريب كل مهمة. وبشكل خاص، لا يُدخل هذا المنهج أي معاملات فائقة (hyperparameters)، كما أن بنيته البسيطة تسمح للشبكات العميقة متعددة المهام الأخرى بتطبيق هذه الطريقة أو إعادة إنتاجها بسهولة. ونُظهر تطبيقنا في التعرف على الوجه مع التعبيرات الوجهية، والتعرف على التعبيرات الوجهية من صورة واحدة باستخدام شبكة عصبية متعددة الطبقات عميقة (CNNs) قائمة على التعلم متعدد المهام. وتدعم التحليل النظري والنتائج التجريبية فعالية المنهجية المُقترحة للتعلم متعدد المهام الديناميكي. كما يُحسّن هذا النموذج المُتعدد المهام باستخدام أوزان ديناميكية الأداء على المهام المختلفة مقارنةً بالأساليب المتطورة التي تعتمد على التعلم الفردي للمهمة الواحدة.