La vérification des faits nécessite une capacité de déduction linguistique fine, capable de repérer des indices subtils afin d’identifier des affirmations syntaxiquement et sémantiquement correctes mais mal soutenues. Ce papier présente le Kernel Graph Attention Network (KGAT), un modèle qui réalise une vérification des faits plus fine grâce à des mécanismes d’attention basés sur des noyaux. Étant donné une affirmation et un ensemble de phrases potentielles constituant un graphe d’éléments de preuve, KGAT introduit des noyaux de nœuds, qui permettent de mieux évaluer l’importance des nœuds preuves, ainsi que des noyaux d’arêtes, qui effectuent une propagation fine des preuves au sein du graphe. Ces mécanismes sont intégrés aux réseaux d’attention sur graphe afin d’améliorer la précision de la vérification des faits. KGAT atteint un score FEVER de 70,38 %, dépassant significativement les modèles existants sur FEVER, un benchmark à grande échelle dédié à la vérification des faits. Nos analyses montrent que, par rapport aux attention basées sur le produit scalaire, l’attention à noyaux se concentre davantage sur les phrases pertinentes et les indices significatifs présents dans le graphe de preuves, ce qui constitue la principale source de l’efficacité de KGAT.