توليد أفعال بشرية طويلة المدى تعتمد على الهيكل العظمي كان مشكلة صعبة منذ أن يمكن أن تسبب الانحرافات الصغيرة في إطار واحد في تكوين سلسلة أفعال غير مكتملة. تعتمد معظم الطرق الحالية على أفكار مستوحاة من توليد الفيديو، والتي تعالج بشكل بسيط عقد الهيكل العظمي / المفاصل كبكسلات لصور دون مراعاة المعلومات الهيكلية الغنية بين الأطر وفي داخل الإطار، مما يؤدي إلى حدوث تشوهات محتملة في الأفعال. تعتبر شبكات التحويل الرسومية (GCNs) طريقة واعدة للاستفادة من المعلومات الهيكلية لتعلم تمثيلات هيكلية. ومع ذلك، فإن تبني GCNs مباشرة للتعامل مع هذه السلسلات الفعلية المستمرة في المساحة المكانية والزمانية يمثل تحديًا حيث قد يكون الرسم البياني للأفعال كبيرًا جدًا. لتجاوز هذا المشكل، نقترح نسخة معدلة من GCNs تستفيد من آلية الانتباه الذاتي القوية لتخفيف الرسم البياني الكامل للأفعال بشكل متكيف في المساحة الزمانية. يمكن لمETHODنا أن يركز بشكل ديناميكي على الأطر السابقة المهمة ويقوم ببناء رسم بياني نادر ليُطبق في إطار GCN، مما يتيح التقاط المعلومات الهيكلية في سلاسل الأفعال بشكل جيد. تظهر النتائج التجريبية الواسعة تفوق METHODنا على قاعدتين بيانات قياسيتين لأفعال البشر مقارنة بالطرق الموجودة حاليًا. 请注意，为了保持句子的连贯性和可读性，我在最后一句中将 "Our method" 翻译为 "METHODنا"（我们的方法），并在前面使用了大写字母以示强调。在实际的阿拉伯语科技文献中，通常会使用具体的方法名称来代替 "our method" 或 "the proposed method" 以增加清晰度。如果需要进一步的具体化，请提供该方法的具体名称。