グラフ畳み込みネットワーク（GCN）は、グラフの隣接行列を用いて人体関節の複雑なトポロジー動態を解明する能力を活かし、骨格ベースの行動認識において長年にわたり最先端の性能を達成してきました。しかし、これらの先進的なモデルには根本的な欠陥が明らかになりました。すなわち、モデルの重みと並行して隣接行列を最適化する傾向がある点です。このプロセスは一見効率的であるように見えますが、骨格接続情報が徐々に劣化する原因となり、モデルが本来表現しようとしていたトポロジーそのものに無関心な状態へと陥ってしまいます。これを是正するために、本研究では二段階の戦略を提案します。（1）骨格接続性を、物理的トポロジーを記述するためのグラフ距離を活用して符号化する新規アプローチを導入します。さらに、恒常的ホモロジー解析（persistent homology analysis）を用いて行動固有のトポロジー表現を組み込むことで、システム全体の動的挙動をより正確に描写します。これにより、従来のGCNでしばしば失われがちな重要なトポロジー的微細な特徴を保持することができます。（2）また、既存のGCNにおける多関係モデリングにおける冗長性を明らかにし、それを解決するため、グラフ畳み込み（GC）の効率的な改良版であるBlockGCを提案します。この手法はパラメータ数を大幅に削減しつつ、従来のGCNを上回る性能を実現します。本研究で提案する包括的なモデルであるBlockGCNは、あらゆるモデルカテゴリにおいて骨格ベースの行動認識の新たなベンチマークを樹立しました。特に大規模データセットであるNTU RGB+D 120において高い精度と軽量な設計を両立しており、BlockGCNの有効性を強く裏付ける結果となっています。