弱教師付き時系列行動局所化（Weakly supervised temporal action localization）は、動画レベルのラベルを用いて、カットされていない動画内における行動の時系列境界を同定し、それに対応する行動カテゴリを割り当てるタスクである。一般的に、「分類による局所化（localization-by-classification）」と呼ばれるパイプラインによって解決される。このアプローチは、動画スニペットを分類することで行動インスタンスを検出するが、動画レベルの分類目的を最適化するため、生成されるアクティベーションシーケンスはクラス関連のシーンに影響を受けやすく、予測結果に多数の誤検出（false positives）が生じる傾向がある。既存の多くの研究では、背景を独立したカテゴリとして扱い、モデルが背景スニペットを識別する能力を学習させようとするが、弱教師付き条件下では背景情報が曖昧で不確実であるため、このアプローチは極めて困難である。誤検出の影響を軽減するために、本研究では新たな「行動性（actionness）を用いた誤検出抑制フレームワーク（actionness-guided false positive suppression framework）」を提案する。本手法は背景カテゴリを導入せずに、誤検出の背景を抑制することを目的とする。まず、動画ラベルを無視することでクラス依存のシーン情報の干渉を最小化できる「自己学習型行動性ブランチ（self-training actionness branch）」を提案し、クラスに依存しない行動性を学習する。次に、誤検出スニペットを抽出し、それらを抑制する「誤検出抑制モジュール（false positive suppression module）」を設計する。さらに、注意機構とクラスに依存しない行動性を活用して、前景を強化する「前景強化モジュール（foreground enhancement module）」を導入する。本手法はTHUMOS14、ActivityNet1.2、ActivityNet1.3の3つのベンチマークで広範な実験を実施し、誤検出の抑制効果が明確に示された。また、最先端の性能を達成した。コードは以下のリンクから入手可能：https://github.com/lizhilin-ustc/AFPS。