يُظهر البشر حركات معقدة تختلف وفقًا للمهمة التي يقومون بها، والتفاعلات التي يشاركون فيها، بالإضافة إلى التفضيلات المميزة لكل فرد. وبالتالي، يُعد توقع الوضعيات المستقبلية بناءً على تاريخ الحركات السابقة مهمة صعبة. تقدم هذه الورقة إطارًا جديدًا لشبكة عصبية عميقة مدعومة بذاكرة مساعدة لتحسين نمذجة المعرفة التاريخية. وبشكل خاص، نُفكك المعلومات المميزة للفرد، والمعلومات المحددة للمهمة، والبيانات المساعدة الأخرى من تسلسلات الوضعيات الملاحظة، ونستخدم هذه الميزات المُفصَّلة للبحث في الذاكرة. كما يعتمد اقتراحنا الجديد لآلية استرجاع المعرفة متعددة الرؤوس على هذه المُدمجات المُفصَّلة لإجراء عمليات بحث متعددة على الملاحظات التاريخية المُخزنة في الذاكرة المساعدة. علاوةً على ذلك، تجعل استراتيجيتنا الديناميكية للإخفاء عملية فصل الميزات ديناميكية. كما تم تقديم دالتين خسارة جديدتين لتحفيز التنوّع داخل الذاكرة المساعدة مع ضمان استقرار محتوياتها، بحيث يمكنها تحديد وتخزين المعلومات البارزة التي تُسهم في التنبؤ الطويل الأمد بالحركات المستقبلية، بغض النظر عن عدم التوازن في البيانات أو تنوع توزيع البيانات المدخلة. وقد أظهرت تجارب واسعة أُجريت على معيارين عامين، وهما Human3.6M وCMU-Mocap، أن هذه الخيارات التصميمية مجتمعة تسمح للنهج المقترح بالتفوق على أحدث الطرق المطروحة بفارق كبير: أكثر من 17% على مجموعة بيانات Human3.6M، وأكثر من 9% على مجموعة بيانات CMU-Mocap.