El aprendizaje multitarea (MTL) es un paradigma para aprender múltiples tareas simultáneamente mediante el uso de una red compartida, en la cual una red de encabezado distinta se adapta aún más para el ajuste fino de cada tarea específica. El aprendizaje federado personalizado (PFL) se puede lograr a través de MTL en el contexto del aprendizaje federado (FL) donde las tareas están distribuidas entre los clientes, denominado como MTL federado personalizado (PF-MTL). La heterogeneidad estadística causada por diferencias en las complejidades de las tareas entre los clientes y las características distribuidas no idénticamente independientes (no i.i.d.) de los conjuntos de datos locales degrada el rendimiento del sistema. Para superar esta degradación, proponemos un algoritmo de ponderación dinámica distribuida que equilibra las velocidades de aprendizaje entre las tareas al normalizar las normas de gradiente correspondientes en PF-MTL. Demostramos una tasa de convergencia exponencial para ello. Además, proponemos utilizar la agregación over-the-air (OTA) en un entorno de FL jerárquico (HFL). Está diseñado para tener una comunicación eficiente entre el servidor de parámetros (PS) y los clientes en el régimen limitado por la potencia y el ancho de banda. Realizamos experimentos con ambos y utilizando conjuntos de datos de puntos de referencia faciales MT (MTFL) y sistemas de comunicación inalámbrica (RadComDynamic). Los resultados indican que ambos marcos son capaces de lograr un rendimiento de entrenamiento más rápido en comparación con estrategias de ponderación igual. Además, compensan por conjuntos de datos desequilibrados entre clientes y efectos adversos del canal.