기계 생성 텍스트 (Machine-generated texts, MGTs)는 허위 정보 및 피싱과 같은 위험을 초래하며, 이는 신뢰할 수 있는 탐지의 필요성을 강조합니다. MGTs의 통계적으로 구별 가능한 특징을 추출하는 지표 기반 (Metric-based) 방식은 과적합 (Overfitting)되기 쉬운 복잡한 모델 기반 (Model-based) 방식보다 종종 더 실용적입니다. 다양한 설계 방식을 고려하여, 우리는 먼저 대표적인 지표 기반 방식들을 통합된 프레임워크 내에 배치하여 이들의 장점과 한계를 명확하게 평가할 수 있도록 했습니다. 우리의 분석은 이러한 방식 전반에 걸친 핵심 과제를 식별했습니다. 즉, 토큰 수준 (Token-level)의 탐지 점수는 MGTs 생성 과정의 내재된 무작위성에 의해 쉽게 편향될 수 있다는 점입니다. 그 후, 우리는 토큰 수준 탐지 점수의 다중 홉 전이 (Multi-hop transitions)를 이론적으로 도출하고, 이들의 국소적 (Local) 및 전역적 (Global) 관계를 탐구합니다. 이러한 발견을 바탕으로, 우리는 MGT 탐지를 위한 다층적 문맥 토큰 관계 모델링 (Multi-level contextual token relation modeling) 프레임워크를 제안합니다. 구체적으로, 국소적 관계의 경우, 집계 전 토큰 수준의 증거를 정제하는 경량 마르코프 정보 보정 (Markov-informed calibration) 모듈을 통해 이를 모델링합니다. 전역적 관계의 경우, 문맥 점수 통계로부터 도출된 명시적인 논리 규칙을 사용하는 규칙 지원 추론 (Rule-support reasoning) 모듈을 도입합니다. 마지막으로, 국소 보정 점수와 전역 규칙 지원 추론 신호를 결합된 다층 추론 프레임워크 내에서 결합합니다. 광범위한 실험을 통해 낮은 계산 오버헤드(Computational overhead)로 교차 LLM (Cross-LLM) 및 교차 도메인 (Cross-domain) 설정을 포함한 다양한 실제 시나리오에서 폭넓고 상당한 개선을 보여주었습니다.