Die Faktenüberprüfung erfordert eine feinabgestimmte Fähigkeit im natürlichen Sprachschluss, um subtile Hinweise zu erkennen, um syntaktisch und semantisch korrekte, aber schlecht belegte Behauptungen zu identifizieren. In diesem Paper präsentieren wir den Kernel Graph Attention Network (KGAT), der eine feinere Faktenüberprüfung mithilfe kernelbasierter Aufmerksamkeiten ermöglicht. Gegeben eine Behauptung und eine Menge potenzieller Beweissätze, die einen Beweisgraphen bilden, führt KGAT Knotenkerne ein, die die Bedeutung der Beweisknoten präziser messen, sowie Kantenkerne, die eine feinabgestimmte Beweisweiterleitung im Graphen durchführen. Diese Erweiterungen werden in Graph Attention Networks integriert, um eine genauere Faktenüberprüfung zu ermöglichen. KGAT erreicht einen FEVER-Score von 70,38 % und übertrifft bestehende Modelle zur Faktenüberprüfung signifikant auf FEVER, einem großskaligen Benchmark für die Faktenüberprüfung. Unsere Analysen zeigen, dass im Vergleich zu Dot-Product-Aufmerksamkeiten die kernelbasierte Aufmerksamkeit stärker auf relevante Beweissätze und bedeutungsvolle Hinweise im Beweisgraphen fokussiert, was die Hauptquelle der Effektivität von KGAT darstellt.