كشف الظواهر غير الطبيعية في السلوك البشري يُعد أمرًا بالغ الأهمية للكشف المبكر عن المواقف الخطرة، مثل الشجار في الشوارع أو سقوط كبار السن. ومع ذلك، فإن كشف الظواهر غير الطبيعية معقد، نظرًا لقلة حدوث الأحداث غير الطبيعية، وبسبب كونه مهمة تصنيف مفتوحة المجموعة، أي أن ما يُعتبر غير طبيعي أثناء التقييم لم يُشاهد مسبقًا أثناء التدريب. نقترح نموذجًا جديدًا يُدعى COSKAD، والذي يُشفر حركة الإنسان عبر الهيكل العظمي باستخدام شبكة تلافيفية رسمية (Graph Convolutional Network)، ويتعلم عقد التمثيلات الحركية للهيكل العظمي (Skeletal kinematic embeddings) في فضاء كامن ذو حجم أدنى على كرة كامنة (hypersphere). ونُقدِّم ثلاث فضاءات كامنة: الفضاء الإقليدي المستخدم بشكل شائع، والفضاء الكروي الجديد، والفضاء الزائد (hyperbolic) أيضًا. وتفوقت جميع النسخ المُعدّلة على أحدث النماذج المُعتمدة في مجموعة بيانات UBnormal الحديثة، والتي قمنا بمساهمتها بنسخة مُخصصة للبشر مع تسمية هيكلية عظمية. ويُعدّ نموذج COSKAD هو الأفضل من حيث الأداء على النسخ المُخصصة للبشر في مجموعتي بيانات ShanghaiTech Campus وCUHK Avenue، مع أداء يُقارن بالأساليب القائمة على الفيديو. سيتم الإفراج عن الشفرة المصدرية والبيانات بمجرد قبول البحث.