Durch die gemeinsame Lernstrategie mehrerer Aufgaben in tiefen Multi-Task-Netzwerken haben viele Anwendungen eine vielversprechende Leistung gegenüber dem Einzel-Aufgaben-Lernen gezeigt. Allerdings hängt die Leistungsfähigkeit eines Multi-Task-Lernframeworks stark von den relativen Gewichten der einzelnen Aufgaben ab. Die Bestimmung der Gewichte für jede Aufgabe stellt daher eine entscheidende Herausforderung im Multi-Task-Lernen dar. Anstatt die Gewichte manuell anzupassen – ein mühsamer und zeitaufwändiger Prozess – schlagen wir in diesem Artikel einen Ansatz vor, der die Gewichte der Aufgaben dynamisch an die Trainingsdifficulty jeder Aufgabe anpasst. Konkret erfordert die vorgeschlagene Methode keine zusätzlichen Hyperparameter, und ihre einfache Struktur ermöglicht es anderen Multi-Task-Tiefen-Lernnetzwerken, diese Methode problemlos zu implementieren oder nachzubilden. Wir demonstrieren unsere Methode anhand der Gesichtserkennung mit Gesichtsausdruck sowie der Gesichtsausdruckserkennung aus einer einzigen Eingabebildquelle basierend auf tiefen Multi-Task-Lern-Convolutional Neural Networks (CNNs). Sowohl die theoretische Analyse als auch die experimentellen Ergebnisse belegen die Wirksamkeit des vorgeschlagenen dynamischen Multi-Task-Lernansatzes. Dieses dynamische Gewichts-Anpassungsverfahren verbessert zudem die Leistung auf verschiedenen Aufgaben im Vergleich zu aktuellen State-of-the-Art-Methoden mit Einzel-Aufgaben-Lernen.