التعلم الذاتي المراقب بالمقارنة قد اكتسب اهتمامًا بفضل قدرته على إنشاء تمثيلات عالية الجودة من مجموعات بيانات كبيرة غير مصنفة. أحد الأسباب الرئيسية التي تمكن هذه الخصائص القوية من تعزيز التعلم الفعّال للمهام اللاحقة هو أنها توفر ثباتًا في التعديل (augmentation invariance)، وهو غالبًا تحيز استقرائي مفيد. ومع ذلك، فإن كمية ونوع الثباتيات المفضلة غير معروفة مسبقًا وتختلف عبر المهام اللاحقة المختلفة. لذلك، نقترح إطار عمل ذاتي مراقب متعدد المهام (MT-SLVR) يتعلم الخصائص المتغيرة والثابتة بطريقة فعالة من حيث المعاملات. يوفر تمثيلنا المتعدد المهام خاصية قوية ومُرنة تفيدها مجموعة متنوعة من المهام اللاحقة. نقيم نهجنا على مهام تصنيف قليلة الإطارات مستمدة من مجالات صوتية مختلفة ونظهر تحسين أداء التصنيف في جميعها.