言語および視覚分野における基礎モデル（foundation models）は、トークンの語彙といった転移可能な表現を活用することで、任意のテキストおよび視覚入力に対して推論を実行する能力を有している。一方、知識グラフ（Knowledge Graphs; KGs）は一般的にエンティティおよび関係の語彙が重複せず、異なる構造を持つ。KG上に基礎モデルを設計する際の主な課題は、任意のエンティティおよび関係語彙を持つグラフに対して推論を可能にする転移可能な表現を学習することにある。本研究では、このような基礎モデルの構築に向けた一歩を踏み出し、普遍的かつ転移可能なグラフ表現を学習する手法ULTRAを提案する。ULTRAは、関係の表現をその相互作用に条件付けた関数として構築する。この条件付け戦略により、事前学習済みのULTRAモデルは、任意の関係語彙を持つ未観測の知識グラフに対して、インダクティブに一般化可能であり、任意のグラフ上でファインチューニングも可能となる。57種類の異なる知識グラフを対象としたリンク予測実験の結果、単一の事前学習済みULTRAモデルが、さまざまなサイズの未観測グラフに対してゼロショットでインダクティブな推論を実行する性能は、特定のグラフ上で訓練された強力なベースラインと比較しても、しばしば同等または優れていることが明らかになった。さらに、ファインチューニングによって性能はさらに向上した。