知識グラフ埋め込み（KGE）モデルは、多関係データの表現および推論に効果的かつ広く用いられているアプローチである。先行研究によれば、KGEモデルはハイパーパラメータの設定に敏感であり、適切な選定はデータセットに依存するという問題がある。本論文では、評価コストが極めて高い大規模知識グラフにおけるハイパーパラメータ最適化（HPO）を検討する。従来の研究では、このコストを回避するために、さまざまなヒューリスティクスが用いられてきた。例えば、サブグラフでの学習や、エポック数を減らすといった手法が採用されている。本研究では、こうしたヒューリスティクスおよびその他の低コスト近似手法の品質とコスト削減効果を体系的に検討・評価する。その結果に基づき、グラフとエポックの削減技術を組み合わせ、複数の段階で忠実度（fidelity）を段階的に向上させるマルチフェデリティ型HPOアルゴリズム「GraSH」を提案する。実験的評価の結果、GraSHは大規模グラフ上で最先端の性能を達成しつつ、極めて低いコスト（合計3回の完全な学習実行）で実現可能であることが明らかになった。