على الرغم من إمكانات التعلم متعدد المهام في استغلال المعرفة المكملة بين المهام، فإن تقنيات التحسين متعدد المهام (MTO) الحالية ما زالت مركزة على حل النزاعات من خلال استراتيجيات تسوية الخسارة والتعديل في التدرج من منظور المحسّن (optimizer)، ومع ذلك لا تحقق مكاسب مستقرة. في هذا البحث، نعتقد أن مساحة التمثيل المشتركة، حيث تحدث التفاعلات بين المهام بشكل طبيعي، توفر معلومات غنية وفرصًا لعمليات مكملة لمحسّنات موجودة، خاصةً في تعزيز التكامل بين المهام، وهو أمر نادرًا ما يتم استكشافه في MTO. هذه الفكرة تؤدي إلى Rep-MTL، والتي تستفيد من مقياس أهمية المهمة على مستوى التمثيل لقياس التفاعلات بين التحسين الخاص بالمهمة والتعلم الخاص بمساحة التمثيل المشتركة. من خلال توجيه هذه الأهميات عبر عقوبات تعتمد على الإنتروبيا (Entropy-based penalization) والتوافق بين المهام على مستوى العينات (sample-wise cross-task alignment)، يهدف Rep-MTL إلى تقليل التعلم المُسجّل السلبي (negative transfer) من خلال الحفاظ على تدريب المهام بشكل فعال، بدلًا من التركيز فقط على حل النزاعات، مع تعزيز المشاركة في المعلومات المكملة بشكل صريح. تم إجراء تجارب على أربع معايير (benchmarks) متميزة لتعلم متعدد المهام، تغطي سيناريوهات التحول بين المهام (task-shift) والتحول بين المجالات (domain-shift). تظهر النتائج أن Rep-MTL، حتى عند استخدامها مع سياسة توزيع الوزن المتساوي الأساسية، تحقق مكاسب في الأداء متميزة مع كفاءة مواتية. علاوة على مقاييس الأداء القياسية، تُظهر تحليل معامل قانون القوة (Power Law exponent) فعالية Rep-MTL في موازنة التعلم الخاص بالمهمة والمشاركة بين المهام. صفحة المشروع متاحة في HERE.