لقد ثبت أن التعلم الذاتي الإيقاعي مفيد في المهام التي تتوفر فيها معرفة أولية ما، مثل التعلم المراقب بشكل ضعيف والتكيف بين المجالات، حيث يُستخدم لاختيار وتسلسل عينات التدريب من الأسهل إلى الأصعب. ومع ذلك، لم يُستكشف تطبيقه بعد في التعلم غير المراقب، حيث تتطور المعرفة بالمهام أثناء التدريب. نقترح نموذجًا جديدًا يُسمى HYSP (نموذج التعلم ذاتي فائق التوسع)، لتعلم تمثيلات الحركات القائمة على الهيكل العظمي. يعتمد HYSP على التعلم ذاتي التوجيه: حيث يستخدم تضخيم البيانات لإنشاء نسختين من نفس العينة، ثم يتعلم عن طريق مطابقة إحداهما (تُسمى "الآن") مع الأخرى (التي تُسمى "الهدف"). نقترح استخدام "الغموض الزائدي" لتحديد معدل التعلم الخوارزمي، بافتراض أن العينات الأقل غموضًا ينبغي أن تُؤثر بشكل أكبر في التدريب، بوزن وأيقاع أكبر. يُعد الغموض الزائدي من النتائج الثانوية للشبكات العصبية الزائدة التي تم اعتمادها، ويتطور أثناء التدريب دون تكاليف إضافية، مقارنةً بالإطارات التقليدية للتعلم غير المراقب الإقليدي. عند اختباره على ثلاث مجموعات بيانات معروفة لتمييز الحركات القائمة على الهيكل العظمي، تفوق HYSP على أفضل النماذج الحالية في مجموعة بيانات PKU-MMD I، وكذلك في مهام متعددة (2 من أصل 3) ضمن مجموعتي بيانات NTU-60 وNTU-120. علاوةً على ذلك، يستخدم HYSP فقط أزواجًا موجبة، مما يتيح تجاوز الإجراءات المعقدة والمتطلبة للحساب في استخراج الأزواج السلبية المطلوبة في التقنيات التقابلية. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/paolomandica/HYSP.