本研究针对单目深度估计的鲁棒性问题，提出了一种结构中心的解决方案。通过引入语义专家模型和可学习同构图，提升了模型在复杂场景中的鲁棒性，并在多个恶劣场景数据集上取得了优异表现。

本研究提出了一种名为GCN-based Anti-Spam（GAS）模型的基于图卷积神经网络（GCN）的大规模反垃圾邮件方法。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能上表现优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。