L'intérêt porté aux graphes de connaissances a grandi ces dernières années, à la fois dans le milieu académique et industriel. Nous proposons une approche permettant de déterminer des règles différentielles causales dans des graphes de connaissances. Ces règles expriment qu'un traitement différent pour deux instances d'une classe conduit à un résultat différent pour ces instances. L'approche que nous proposons est basée sur des appariements sémantiques, et des strates définies comme étant des sous-classes complexes. Une première expérimentation sur un extrait de DBPedia montre que de telles règles peuvent permettre d'expliquer certaines variabilités dans les propriétés étudiées.