대부분의 기존 멀티태스크 학습 (Multitask Learning) 접근 방식은 각 결과의 규모와 유형에 맞춤화된 태스크별 손실 함수 (Task-specific loss functions)에 의존한다는 한계가 있습니다. 태스크 간에 결과가 다를 경우, 이러한 손실 함수들은 일반적으로 직접적으로 비교할 수 없으며, 이는 통일된 목적 함수 (Unified objective)를 공식화하는 것을 어렵게 만들고 태스크 간의 정보 공유를 제한할 수 있습니다. 우리는 태스크별 반응 (Task-specific responses)이 알려지지 않은 단조 변환 (Monotone transformations)을 통해 다를 수 있는 멀티태스크 변환 프레임워크를 제안합니다. 예측 변수 (Predictor)의 차원이 표본 크기에 따라 달라질 수 있는 반면 예측 변수의 공통 부분 집합만이 유의미한 정보를 제공하는 고차원 생물학적 응용 분야에서 영감을 받아, 우리는 태스크 간의 공유 희소성 (Shared sparsity)을 고려합니다. 이 프레임워크 하에서, 우리는 공유된 첫 번째 레이어를 가진 멀티태스크 심층 신경망 (Multitask deep neural network)을 통해 구현된 그룹 라쏘 (Group-Lasso) 페널티와 매끄러운 순위 기반 기준 (Smoothed rank-based criterion)을 최적화함으로써 타겟 함수를 추정하고 중요한 예측 변수를 식별합니다. 우리는 제안된 추정량에 대해 비점근적 초과 위험 경계 (Nonasymptotic excess-risk bounds)와 변수 선택 일관성 (Variable-selection consistency)을 입증합니다. 시뮬레이션 연구 결과, 제안된 방법은 경쟁 방식들과 비교하여 경쟁력 있는 예측 및 변수 선택 성능을 달성함을 보여줍니다. 연속형, 이진형 및 혼합형 결과가 포함된 유전자 발현 연구 분석을 통해 제안된 방법이 예측 성능을 향상시키고 생물학적으로 의미 있는 공유 예측 변수를 식별한다는 점을 추가로 입증합니다.