[ICDE 2019：Computing Trajectory Similarity in Linear Time: A Generic Seed-Guided Neural Metric Learning Approach](https://ieeexplore.ieee.org/abstract/document/8731427).提出的方法叫NEUTRAJ，主要解决轨迹相似度计算时的性能问题，在线性时间内计算完毕。这个方法是要用户提前选择一种非学习的度量方式，然后这个框架可以去拟合这个度量方式的值，因此这个框架可以支持很多度量方式，比如DTW，Frechet等。模型层面有两个创新，在RNN上增加了带有记忆模块的attention机制；另外是在损失的时候增加了排序信息。
本文讲一下如何快速启动一个Hugo博客。我之前的博客是部署在hexo上的，而且已经很久用写过了，现在要重启，由于hexo的环境部署依赖node，想换一套更好用的系统，Claude推荐我使用Hugo。
PVLDB 2022. [DeepTEA: Effective and Efficient Online Time-dependent Trajectory Outlier Detection](https://www.vldb.org/pvldb/vol15/p1493-han.pdf)
AAAI 2017, Intensity RNN: [Modeling The Intensity Function Of Point Process Via Recurrent Neural Networks](https://arxiv.org/pdf/1705.08982.pdf)。相比RMTPP，用LSTM。然后模型加了一个时间序列模块，主要是为了支持有时间序列信息的数据集。然后计算事件发生时间的损失时，用了一个高斯核函数。本质上还是MSE，没啥区别。
NIPS 2021, datasets and benchmarks track, [MULTIBENCH: Multiscale Benchmarks for Multimodal Representation Learning](https://openreview.net/pdf?id=izzQAL8BciY)。代码：[MultiBench](https://github.com/pliang279/MultiBench)。这是个benchmark，涵盖15个数据集，10个模态，20个预测任务，6个研究领域。