شهدت السنوات الماضية هيمنة شبكات التجميع الرسومية (Graph Convolutional Networks - GCNs) على توقع الحركة البشرية. تم اقتراح أنماط مختلفة من التجميع الرسومي، وكل منها تم تصميمه بدقة ودمجه في هندسة شبكة مُعدة بعناية. يكسر هذا البحث حدود المعرفة الحالية من خلال اقتراح التجميع الرسومي الشامل (Universal Graph Convolution - UniGC)، وهو مفهوم جديد للتجميع الرسومي يعيد صياغة مختلف أنواع التجميع الرسومي كحالات خاصة منه. باستغلال UniGC على مستوى الشبكة، نقترح GCNext، وهو نموذج جديد لبناء شبكات GCN يحدد بشكل ديناميكي أفضل أنواع التجميع الرسومي المناسبة لكل عينة ولكل طبقة. يقدم GCNext استخدامات متعددة، بما في ذلك تدريب شبكة GCN جديدة من الصفر أو تحسين شبكة GCN موجودة مسبقًا. أظهرت التجارب على قواعد البيانات Human3.6M وAMASS و3DPW أن GCNext، بفضل تصاميمه الفريدة من نوعها للوحدات والشبكات، يحقق تكلفة حسابية أقل بمقدار يصل إلى 9 مرات مقارنة بالطرق الحالية لشبكات GCN، بالإضافة إلى تحقيق أداء رائد في المجال.