刚读完AdaTKG这篇工作，感觉它捅破了一层窗户纸。传统TKG方法把每个实体表示当成一个静态参数，比如TransE、RotatE这些，实体e的嵌入向量e∈R^d在学习完后就不再变了。但AdaTKG提出一个很直觉的观点：实体参与不同事实时，它的“状态”应该被动态更新。具体来说，它设计了一个自适应记忆机制，每当实体出现在某个时间戳的事实中，其表示就会根据该事实的上下文进行一次优化更新，相当于给实体加了一个“记忆痕迹”累积过程。

从技术上看，这个思路和RNN的隐状态更新有点像，但AdaTKG是在图结构上做实体级别的记忆演化。我比较好奇的是，这种自适应优化会不会带来训练不稳定问题？比如同一个实体在短时间内参与大量事实，表示被频繁更新，会不会导致梯度爆炸或遗忘早期信息？另外，从个人经验看，动态表示虽然更灵活，但推理时计算开销会显著增加，特别是大规模TKG场景下，每个实体的表示都需要按时间序列维护状态，这对内存和推理速度都是挑战。

我觉得AdaTKG真正有价值的地方在于它重新定义了实体表示的“动态性”边界——不是模型参数动态，而是表示本身随交互历史演化。这会不会推动后续工作把注意力机制和记忆网络更深度融合到TKG推理中？比如能否用门控机制控制记忆更新的程度，或者引入遗忘门来平衡长短期依赖？

对行业来说，这种自适应表示范式可能让TKG在事件预测、时序问答等任务上更贴近真实世界动态系统的本质。但工程落地上，如何平衡表示更新的粒度和计算效率，会是值得持续探讨的问题。大家觉得这种动态实体表示思路，和Graph Memory Networks相比，核心差异在哪？