年齢変動の顔認識への影響を最小限に抑えるために、従来の研究では、アイデンティティ関連の識別特徴量を抽出する方法（アイデンティティと年齢関連の特徴量の相関を最小化することで行う）または異なる年齢層の顔を同一の年齢層に変換して年齢変動を取り除く方法（顔年齢合成と呼ばれる）が採用されてきました。しかし、前者はモデル解釈のために視覚的な結果が不足しており、後者はダウンストリーム認識に影響を与えるアーティファクトが発生することが問題となっています。そこで本論文では、これらの2つのタスクを統合的に処理する多タスクフレームワークを提案し、MTLFaceと名付けました。このフレームワークは、視覚的に魅力的な顔合成を達成しながら、年齢不変のアイデンティティ関連表現を学習することができます。具体的には、まず注意メカニズムを通じて混合された顔特徴量を2つの非相関成分（アイデンティティ関連特徴量と年齢関連特徴量）に分解します。その後、多タスク学習と継続的なドメイン適応を使用してこれらの2つの成分を非相関化します。一般的なグループレベルでのFASを実現するワンホットエンコーディングとは異なり、我々は新たなアイデンティティ条件付きモジュールを提案し、これにより個々のアイデンティティレベルでのFASを達成します。また、合成された顔の年齢滑らかさを向上させるために重み共有戦略も導入しています。さらに、我々は大規模なクロスエイジ顔データセットを集めて公開し、そのデータセットには年齢と性別の注釈が付いています。これはAIFRおよびFASの開発促進を目指しています。5つのベンチマーククロスエイジデータセットにおける広範な実験により、提案したMTLFaceが既存の最先端手法よりも優れた性能を持つことが示されました。また、一般的な顔認識データセット2つにおいてもMTLFaceの性能を検証し、野生環境下での顔認識でも競争力のある性能であることを確認しました。ソースコードとデータセットは\url{https://github.com/Hzzone/MTLFace}から入手可能です。