تم استخدام الشبكات التلافيفية الرسومية (GCNs) على نطاق واسع وحققّت نتائج مميزة في التعرف على الحركات القائمة على الهيكل العظمي. في الشبكات التلافيفية الرسومية، يُعدّ التراكيب الرسومية (graph topology) هو العامل الحاسم في تجميع الميزات، وبالتالي يُشكّل العمود الفقري لاستخلاص الميزات الممثلة. في هذا العمل، نقترح طريقة جديدة تُدعى "الشبكة التلافيفية الرسومية لتحسين التراكيب حسب القنوات" (CTR-GC)، والتي تُتعلم ديناميكيًا تراكيب مختلفة وتُجمّع بشكل فعّال ميزات المفاصل في قنوات مختلفة لتحسين التعرف على الحركات القائمة على الهيكل العظمي. تعتمد CTR-GC على نمذجة تراكيب القنوات من خلال تعلّم تراكيب مشتركة كمعلومة أولية عامة لجميع القنوات، ثم تحسينها باستخدام الترابطات المميزة لكل قناة. يُعدّ هذا الأسلوب المُعدّل بسيطًا من حيث عدد المعاملات الإضافية، ويقلّل بشكل كبير من صعوبة نمذجة التراكيب القنوية. علاوةً على ذلك، وباستخدام إعادة صياغة التلافيف الرسومية على شكل موحد، نلاحظ أن CTR-GC تخفّف من القيود الصارمة للتفعيلات الرسومية، ما يؤدي إلى قدرة تمثيلية أقوى. وبدمج CTR-GC مع وحدات النمذجة الزمنية، نُطور شبكة تلافيفية رسومية قوية تُسمّى CTR-GCN، والتي تتفوّق بشكل ملحوظ على أحدث الطرق المُعلنة على مجموعات بيانات NTU RGB+D وNTU RGB+D 120 وNW-UCLA.