本文提出了一种轻量级的检测时间模块——签名过滤（signature filtering），旨在提升大型语言模型（LLM）输出中统计水印的检测性能。现有的水印检测器在水印信号弱、文本重复或水印被编辑时往往表现不佳。签名过滤不修改水印嵌入和文本生成过程，而是学习一小部分“签名”标记，这些标记的存在会使水印测试不可靠，并在检测前将其移除。签名通过在一个小型训练集上求解混合整数线性规划获得，约束条件最大化真阳性率。作者还推导了在几种攻击者模型（色盲、色彩适应和分布相关）下的有限样本和渐近界。在四种知名水印族（Kgw、Sweet、Unigram、Exp）、四个基准语料库（C4、MBPP、HumanEval、Code-Search-Net）和六个LLM（Opt-1.3b、Opt-6.7b、Llama2-13b、Llama3.1-8b、Qwen2.5-14b、Phi-3-medium-14b）上的实验表明，2-gram和3-gram签名在弱信号和低熵设置下将检测率从无过滤时的8-31%提升到78-99%，同时保持假阳性率可控且通常可忽略。在压力测试中（句子打乱、25-50%的令牌被稀释、删除和替换），Kgw风格水印的2-gram过滤器保留了大部分干净文本的检测增益，通常匹配或优于先进的WinMax水印检测器。签名过滤提供了一种简单、可扩展且模型无关的附加模块，用于加强信息处理工作流中LLM文本的基于水印的溯源检查。

本文提出了一种基于概率模型和加权Dowker复形的统计方法，用于检测文件格式的方言（即同一格式的不同变体）。核心思路是，当文件被一组预定义的解析器处理时，解析器会生成一系列布尔“消息”（例如解析成功/失败、特定结构存在与否等），这些消息共同构成文件的“行为特征”。作者假设在每种方言内部，消息之间是统计独立的，并基于此建立概率模型，通过计算后验概率来判定一个文件属于特定方言。针对两种方言的场景，论文提出了一种阈值分类算法，且该算法可以从主要包含一种方言的训练集中“引导”出来（即通过少量标记数据扩展至未标记数据）。实验验证表明，理论推导的分布和实际经验分布均能达到良好的分类性能，且优于仅统计消息数量的简单方法。此外，当消息独立性假设不成立时，可检测出方言之间的“边界”，帮助格式分析师更高效地制定新的检测标准。本文的主要贡献包括：1）提出了一种可实验验证的概率模型；2）通过阈值算法实现实用的方言分类；3）利用独立性假设的违反来识别方言边界；4）在真实文件数据上验证了方法的有效性。该研究适合文件格式分析、数据清洗、恶意软件检测等领域的从业者阅读。