本論文では、KGFR（Knowledge Graph Foundation Retriever）を提案し、従来の大規模言語モデル（LLM）と協力して知識集約型の質問応答を改善する新しいフレームワークを紹介します。既存の方法はデータセットに特化した調整に頼っているため、スケーラビリティに制約がありました。KGFRは、LLMによって生成された記述を用いて関係を符号化し、質問におけるエンティティの役割に基づいて初期化を行います。このアプローチにより、未見の知識グラフに対してもゼロショットの一般化が可能になります。さらに、非対称進行伝播（APP）を採用し、情報経路を保持しつつ高次元ノードの選択的制限を行うことで、大規模グラフを効率的に処理します。このようにして、LLMは候補解答や推論経路を反復的に要求し、制御可能な推論ループを形成します。実験結果から、LLM-KGFRが優れた性能とスケーラビリティ、一般化能力を維持していることが示され、知識グラフを強化した推論の実用的な解決策を提供しています。