過去数年間、グラフ畳み込みネットワーク（GCNs）が人間の動作予測において主導的な地位を占めてきました。様々な形式のグラフ畳み込みが提案され、それぞれが慎重に設計され、精巧なネットワークアーキテクチャに組み込まれています。本論文では、既存の知識の限界を打破するために、ユニバーサルグラフ畳み込み（UniGC）という新しいグラフ畳み込み概念を提案します。この概念は異なるグラフ畳み込みを特別なケースとして再定義します。ネットワークレベルでのUniGCの活用により、サンプルごとおよび層ごとに最適なグラフ畳み込みを動的に決定する新しいGCN構築パラダイムであるGCNextを提案します。GCNextは、新しいGCNの学習から既存のGCNの改良まで、複数の使用例を提供します。Human3.6M、AMASS、3DPWデータセットでの実験結果は、独自のモジュールからネットワークへの設計を取り入れることで、既存のGCN手法よりも最大9倍低い計算コストで最先端の性能を達成できることを示しています。