اكتشاف وحدات الحركة الوجهية (AU) هو مهمة حاسمة في الحوسبة العاطفيةوروبوتات التواصل الاجتماعي، حيث يساعد على تحديد العواطف المعبر عنها من خلال التعبيرات الوجهية. من الناحية التشريحية، هناك علاقات لا حصر لها بين وحدات الحركة الوجهية (AUs)، والتي تحتوي على معلومات غنية وهي ضرورية للاكتشاف. استخدمت الأساليب السابقة علاقات ثابتة بين وحدات الحركة الوجهية تعتمد على خبرة الخبراء أو قواعد إحصائية على مقاييس محددة، ولكن من الصعب تجسيد العلاقات المعقدة بين وحدات الحركة الوجهية بشكل شامل عبر الإعدادات التي تم صنعها باليد. هناك أساليب بديلة تستخدم رسمًا بيانيًا متصلًا تمامًا لتعلم هذه الارتباطات بشكل شامل. ومع ذلك، يمكن لهذه الأساليب أن تؤدي إلى انفجار حسابي واعتماد كبير على مجموعة بيانات كبيرة. لمعالجة هذه التحديات، تقترح هذه الورقة طريقة جديدة لتعلم ارتباطات وحدات الحركة الوجهية ذاتياً (SACL) مع أقل حساب للإدراك. تقوم هذه الطريقة بتعلم وتحديث رسوم ارتباطات وحدات الحركة الوجهية بشكل تكيفي عن طريق الاستفادة بكفاءة من خصائص مستويات مختلفة من المعلومات المستخرجة حول حركات وحدات الحركة الوجهية والتعبير العاطفي في مراحل مختلفة من الشبكة. بالإضافة إلى ذلك، تستكشف هذه الورقة دور التعلم متعدد المقياس في استخراج المعلومات المرتبطة، وتقوم بتصميم طريقة بسيطة ولكن فعالة للتعلم متعدد المقياس للميزات (MSFL) لتعزيز الأداء الأفضل في اكتشاف وحدات الحركة الوجهية. من خلال دمج معلومات ارتباط وحدات الحركة الوجهية مع الميزات متعددة المقياس، تحصل الطريقة المقترحة على تمثيل أكثر صلابة للميزات للإدراك النهائي لوحدات الحركة الوجهية. أظهرت التجارب الواسعة أن الطريقة المقترحة تتفوق على أفضل الأساليب المتاحة حالياً في مجموعات البيانات المعيارية الشائعة للاكتشاف، باستخدام فقط 28.7٪ و12.0٪ من المعلمات ومعدل العمليات العددية الثابتة (FLOPs) لأفضل طريقة، على التوالي. يمكن الحصول على الكود لهذه الطريقة من الرابط التالي: \url{https://github.com/linuxsino/Self-adjusting-AU}.