3Dアクション認識——3Dスケルトンデータに基づく人間の行動分析——は、その簡潔さ、頑健性、および視点不変表現の特性から、近年注目を集めている。この分野における最近の研究は、時系列領域における文脈的依存関係をモデル化するため、RNNに基づく学習手法の開発を提案している。本論文では、このアイデアを時空間領域に拡張し、入力データにおける行動関連情報の隠れた源を、時系列的および空間的両領域において同時に分析することを目的とする。人間のスケルトンのグラフィカル構造に着想を得て、より強力な木構造に基づく走査手法を提案する。また、3Dスケルトンデータに含まれるノイズや遮蔽問題に対処するため、LSTM内に新たなゲート機構を導入し、順次入力データの信頼性を学習することで、記憶セルに格納された長期的文脈情報への影響を適切に調整する。本手法は、3D人間行動分析の4つの挑戦的ベンチマークデータセットにおいて、最先端の性能を達成した。