تلعب التجزئة الفعلية دورًا مهمًا في تمكين الروبوتات من فهم الأنشطة البشرية تلقائيًا. لتدريب نموذج تمييز الأفعال، فإن الحصول على تسميات أفعال لجميع الإطارات يُعد مكلفًا، بينما تسمية التواريخ الزمنية لتوفير مراقبة ضعيفة تكون أكثر كفاءة من حيث التكلفة. ومع ذلك، قد لا تُستغل الطرق الحالية التسميات الزمنية بالكامل، مما يؤدي إلى أداء غير كافٍ. لمعالجة هذه المشكلة، اقترحنا نمط تعلم جديد في مرحلة التدريب، يهدف إلى تحسين احتمال اتحاد الأفعال المرتبطة بالتواريخ الزمنية المحيطة بالإطارات غير المُسمّاة. وفي مرحلة الاستنتاج، قدمنا حلًا جديدًا للتحسين يُنتج فئات أفعال مُخصصة بشكل صارم من توقعات مُخصصة بشكل ناعم. وبشكل مهم، فإن طرقنا لا تعتمد على نموذج معين ويمكن تطبيقها على الأطر الحالية. وقد تفوقت طريقة لدينا على الطرق السابقة التي تعتمد على المراقبة الزمنية على ثلاث مجموعات بيانات شائعة لتجزئة الأفعال، وحققت أداءً جديدًا على مستوى الحد الأقصى في الأداء. علاوة على ذلك، تستخدم طريقة لدينا أقل من 1% من التسميات المُعلَّمة بالكامل للحصول على نتائج مماثلة أو حتى أفضل.