أُحسِّنَ أداء تقدير السمات الوجهية (مثل العمر والجاذبية) بشكل كبير من خلال استخدام الشبكات العصبية التلافيفية. ومع ذلك، تُظهر الطرق الحالية تناقضًا بين أهداف التدريب والمعيار المستخدم لتقييم الأداء، مما قد يؤدي إلى نتائج غير مثلى. علاوةً على ذلك، تُعتمد هذه الطرق غالبًا على نماذج تصنيف الصور أو التعرف على الوجوه ذات عدد كبير جدًا من المعاملات، مما يحمل تكلفة حسابية باهظة وعبء تخزيني كبير. في هذه الورقة، نُحلِّل أولًا العلاقة الجوهرية بين طريقتين حديثتين ومُتَقدِّمتين (Ranking-CNN و DLDL)، ونُظهر أن الطريقة المُصنَّفة على أنها "تصنيف بالترتيب" تتعلم في الواقع توزيع العلامات بشكل ضمني. وبالتالي، يُمكِّن هذا النتيجة من دمج الطريقتين الشائعتين والمتقدِّمتين الحاليتين ضمن إطار DLDL. ثانيًا، لتحسين التناقض وتقليل استهلاك الموارد، نصمم هيكل شبكة خفيفة الوزن ونُقدِّم إطارًا موحَّدًا يمكنه التعلُّم المشترك لتوزيع السمات الوجهية وتقدير القيم المُتعلقة بها. وقد تم تأكيد فعالية منهجنا على مهام تقدير العمر الوجهي والجاذبية. حقق منهجنا نتائج جديدة في مستوى الأداء القياسي باستخدام نموذج واحد يمتلك عدد معاملات أقل بـ 36 مرة، وبسرعة استنتاج أسرع بثلاث مرات في مهام تقدير العمر أو الجاذبية الوجهية. علاوةً على ذلك، يمكن لطريقتنا تحقيق نتائج مُقارِبة للنتائج القياسية حتى عند تقليل عدد المعاملات إلى 0.9 مليون (باستخدام 3.8 ميغابايت من التخزين على القرص).