可解释的图学习亟需发展，因为众多科学应用依赖于学习模型从图结构数据中提取洞见。以往研究主要采用事后分析（post-hoc）方法来解释预训练模型（尤其是图神经网络）。这些方法往往反对采用本质上可解释的模型，因为这类模型的可解释性通常以牺牲预测精度为代价。然而，事后分析方法常难以提供稳定可靠的解释，且可能提取出与任务存在虚假相关性的特征。为此，本文提出图随机注意力机制（Graph Stochastic Attention, GSAT）。GSAT基于信息瓶颈原理，通过在注意力权重中引入随机性，阻断与任务无关的图组件的信息传递，同时学习一种降低随机性的注意力机制，以选择与任务相关的子图用于解释。在一定假设条件下，所选子图可证明不包含与任务存在虚假相关性的模式。在八个数据集上的大量实验表明，GSAT在解释能力的AUC指标上相比当前最先进方法最高提升20%↑，在预测精度上提升达5%↑。项目代码已公开，地址为：https://github.com/Graph-COM/GSAT。