우리는 신경망에 의해 생성된 특징 벡터의 고차 통계량을 포착하고, 엔드투엔드 방식의 2차 및 고차 풀링을 제안하여 텐서 기술자(tensor descriptor)를 구성하고자 한다. 텐서 기술자는 집계된 벡터 수가 적고, 특정 특징이 통계적으로 예상되는 빈도보다 더 자주/적게 나타나는 '버스트성(burstiness)' 현상이 발생할 때, 강건한 유사도 측정 방식을 필요로 한다. 그래프 라플라시안 위에서의 열 확산 과정(HDP, Heat Diffusion Process)은 공분산/자상관 행렬의 고유값 거듭제곱 정규화(EPN, Eigenvalue Power Normalization)와 밀접한 관련이 있으며, 이의 역행렬은 루프를 포함한 그래프 라플라시안을 형성한다. 본 연구에서는 HDP와 EPN이 동일한 역할을 한다는 점을 보이며, 즉 고유스펙트럼의 크기를 증폭하거나 감쇠시켜 버스트성을 억제한다는 점을 입증한다. 고차 텐서에 EPN을 도입함으로써, 고차 출현 현상을 스펙트럼 검출기로 활용하여 버스트성을 방지한다. 또한, d차원 특징 기술자로부터 구성된 r차 텐서에 대해, 이러한 검출기가 최소 하나의 고차 출현이 텐서가 표현하는 binom(d,r)개의 부분공간 중 하나에 '투영'된 경우의 가능성을 제공함을 증명한다. 이로써 binom(d,r)개의 이러한 '검출기'를 내장한 텐서 거듭제곱 정규화 메트릭이 구성된다. 실험적 기여 측면에서, 다양한 2차 및 고차 풀링 변형을 행동 인식에 적용하고, 기존에 보고되지 않은 이러한 풀링 변형 간의 비교를 수행하며, HMDB-51, YUP++ 및 MPII 요리 활동 데이터셋에서 최신 기술 수준의 성능을 달성함을 보여준다.