スケルトンデータに対するグラフベースの推論は、人間の行動認識において有望なアプローチとして注目されている。しかし、従来のグラフベース手法は主に全時系列データを入力として用いるため、オンライン推論の文脈においては大きな計算上の冗長性が生じる。本研究では、空間時系列グラフ畳み込みニューラルネットワーク（ST-GCN）を「継続的推論ネットワーク（Continual Inference Network）」として再定式化することで、フレームの繰り返し処理を回避しつつ、時間的に段階的に予測を実行できる手法を提案する。本手法の有効性を検証するため、ST-GCNの継続的バージョンであるCoST-GCNを構築し、異なる自己注意機構を採用した2つの派生手法（CoAGCNおよびCoS-TR）も開発した。さらに、推論速度向上を目的とした重み転送戦略およびアーキテクチャの改良を検討し、NTU RGB+D 60、NTU RGB+D 120、Kinetics Skeleton 400の3つのデータセット上で実験を実施した。予測精度をほぼ同等に維持しつつ、時間計算量を最大で109倍削減し、ハードウェア上での実行速度を26倍向上させ、オンライン推論時の最大メモリ使用量を52％削減することに成功した。