Die Vorhersage der Klassenbezeichnung anhand einer teilweise beobachteten Aktivitätssequenz ist eine äußerst schwierige Aufgabe, da die anfänglichen, beobachteten Segmente verschiedener Aktivitäten sehr ähnlich sein können. In diesem Paper stellen wir ein neuartiges Hardness-AwaRe Discrimination Network (HARD-Net) vor, das speziell die Beziehungen zwischen ähnlichen Aktivitätspaaren untersucht, die schwer zu unterscheiden sind. Konkret wird eine Hard Instance-Interference Class (HI-IC)-Bank entworfen, die dynamisch schwierige, ähnliche Paare speichert. Auf Basis dieser HI-IC-Bank wird ein neuartiges adversariales Lernverfahren vorgeschlagen, um unser HARD-Net zu trainieren, wodurch das Netzwerk über eine starke Fähigkeit zur Extraktion subtiler Unterscheidungsinformationen für die 3D-frühe Aktivitätsvorhersage verfügt. Wir evaluieren unser vorgeschlagenes HARD-Net auf zwei öffentlichen Aktivitätsdatensätzen und erzielen dabei einen Stand der Technik (state-of-the-art)-Leistung.