骨格構造とグラフ畳み込みネットワーク（GCN）を組み合わせることで、人間の行動認識において顕著な性能が達成されている。現在の研究は、骨格データを表現するための基本的なグラフ構造の設計に注力しているが、これにより得られる埋め込み特徴量は基本的なトポロジカル情報を含むにとどまり、骨格データからより体系的な視点を学習することができないという課題がある。本論文では、この制約を克服するため、人間の行動認識を目的として、15種類のグラフ埋め込み特徴量を統合した新しいフレームワークを提案する。このアプローチにより、単一の特徴量や領域に依存することなく、行動における重要な関節、骨、身体部位を効果的に区別するためのグラフ情報の最大限の活用が可能となる。さらに、骨格構造の最適なグラフ特徴量を特定する方法について包括的に検討している。また、骨格シーケンスのトポロジカル情報を多ストリームフレームワーク内で活用することで、性能のさらなる向上を図っている。さらに、訓練プロセス中に適応的な手法によって統合されたグラフ特徴量を抽出することで、性能の向上をさらに促進している。本モデルは、NTU-RGB+D、Kinetics、SYSU-3Dの3つの大規模データセットを用いて検証され、既存の最先端手法を上回る性能を示した。総合的にみて、本研究はグラフ埋め込み特徴量の統合を通じて、人間の行動認識に関する体系的な研究を促進した。