事实验证需要细粒度的自然语言推理能力，以识别那些语法和语义上正确但缺乏充分支持的陈述。本文提出了一种基于核函数的图注意力网络——核图注意力网络（Kernel Graph Attention Network, KGAT），该方法通过核函数注意力机制实现更细粒度的事实验证。给定一个待验证的陈述及其构成证据图的一组潜在证据句，KGAT引入了节点核函数（node kernels）和边核函数（edge kernels）：节点核函数更精准地衡量证据节点的重要性，边核函数则在图结构中实现细粒度的证据传播，从而提升事实验证的准确性。在大规模事实验证基准FEVER上，KGAT取得了70.38%的FEVER分数，显著优于现有的事实验证模型。我们的分析表明，相较于传统的点积注意力机制，核函数注意力更能聚焦于相关证据句以及证据图中的关键线索，这正是KGAT取得优异性能的主要原因。