オンラインアクション検出（OAD）は、リアルタイムの予測タスクにおいて過去と現在のビデオフレームのみを取得できる状況に対処するために、各フレームのラベリングタスクとして提案されています。本論文では、将来のフレームが訓練段階でしか観測できないという特権情報の一形態として扱われるオンラインアクション検出向けの新しい学習に特権情報を活用したフレームワークを提示します。知識蒸留（Knowledge Distillation）が用いられ、オフライン教師モデルからオンライン学生モデルへ特権情報を転送します。この設定は、教師と学生モデル間の違いが主にネットワークアーキテクチャではなく入力データにあるため、従来の知識蒸留とは異なります。私たちは特権情報蒸留（Privileged Knowledge Distillation: PKD）を提案し、(i) カリキュラム学習手順をスケジューリングし、(ii) 学生モデルに補助ノードを挿入することで、情報ギャップを縮小し学習性能を向上させます。他のOAD手法が明示的に将来のフレームを予測するのに対して、当手法は予測不可能かつ不要な視覚的な内容の学習を避けることができ、TVSeriesおよびTHUMOS14という二つの人気のあるOADベンチマークにおいて最先端の精度を達成しています。