Update README.md

README.md

@@ -1,130 +1,130 @@
----
-language: 
-  - ko
-tags:
-  - security
-  - smishing-detection
-  - roberta
-  - text-classification
-pipeline_tag: text-classification
-license: mit
-base_model: klue/roberta-base
-metrics:
-  - f1
-  - precision
-  - recall
----
-
-# Smishing Detection RoBERTa Base 🛡️📱
-
-## 📑 Model Description
-
-이 모델은 **스미싱(Smishing, SMS Phishing)** 문자를 실시간으로 탐지하기 위해 `klue/roberta-base`를 파인튜닝(Fine-tuning)한 모델입니다.  
-한국어 문자 메시지의 문맥을 분석하여 해당 메시지가 정상적인 대화인지, 아니면 악의적인 스미싱 시도인지 분류합니다.
-
-이 모델은 **"Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System"** 프로젝트의 일환으로 개발되었으며, 최신 뉴스 기반의 공격 시나리오(Red Team)와 이에 대응하는 방어 시스템(Blue Team) 간의 적대적 학습(Adversarial Training)을 통해 성능이 고도화되었습니다.
-
-- **Developed by:** Donghyun Hwang (and Smishing Forecast Team)
-- **Model Type:** Text Classification (Binary)
-- **Language:** Korean
-- **Base Model:** [klue/roberta-base](https://huggingface.co/klue/roberta-base)
-
-## 🎯 Intended Uses & Limitations
-
-### 사용 목적 (Intended Use)
-- **스미싱 탐지**: SMS, 메신저 등에서 수신된 텍스트가 스미싱인지 판별
-- **보안 애플리케이션**: 모바일 보안 앱, 스팸 필터링 시스템의 백엔드 모델
-- **금융 사기 예방**: 은행 사칭, 대출 사기, 카카오톡 지인 사칭 등의 탐지
-
-### 제한 사항 (Limitations)
-- **데이터 편향**: 학습 데이터의 대부분이 GPT-4를 통해 생성된 **합성 데이터(Synthetic Data)**입니다. 따라서 실제 리얼월드 데이터(Wild Data)에 대해서는 성능이 다소 떨어질 수 있습니다(Overfitting possibility).
-- **최신 공격 유형**: 학습되지 않은 신종 공격 패턴에 대해서는 탐지율이 낮을 수 있습니다.
-
-## 📚 Training Data
-
-학습 데이터는 **GPT-4**를 활용하여 생성된 3,000건 이상의 합성 데이터셋으로 구성되어 있습니다.
-- **Normal (Label 0)**: 일상 대화, 택배 알림, 카드 결제 문자, 기상청 알림 등
-- **Smishing (Label 1)**:
-    - 정부 기관 사칭 (지원금신청 등)
-    - 가족/지인 사칭 (액정 파손, 급전 요청)
-    - 금융 기관 사칭 (저금리 대출, 허위 결제 승인)
-    - 경조사 사칭 (모바일 청첩장, 부고장)
-
-## 📊 Evaluation Results
-
-합성 테스트 데이터셋(100건) 기준 성능입니다.
-*(주의: 합성 데이터에 최적화된 결과이므로 실제 환경 성능과는 차이가 있을 수 있습니다.)*
-
-| Metric | Score |
-| :--- | :--- |
-| **Precision** | 1.00 |
-| **Recall** | 1.00 |
-| **F1-Score** | 1.00 |
-
-## 🚀 How to Use
-
-Python의 `transformers` 라이브러리를 통해 쉽게 사용할 수 있습니다.
-
-```python
-from transformers import AutoTokenizer, AutoModelForSequenceClassification
-import torch
-import re
-
-# 1. 모델과 토크나이저 로드
-model_name = "donghyun95/smishing-detection-roberta-base"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForSequenceClassification.from_pretrained(model_name)
-
-# 2. 전처리 함수 (특수문자 제거 등 권장)
-def preprocess(text):
-    text = re.sub(r'[^가-힣a-zA-Z0-9\s]', '', text) # 특수문자 제거
-    return text.strip()
-
-# 3. 예측 함수
-def predict_smishing(text):
-    clean_text = preprocess(text)
-    inputs = tokenizer(clean_text, return_tensors="pt", truncation=True, max_length=128)
-    
-    with torch.no_grad():
-        outputs = model(**inputs)
-    
-    probs = torch.softmax(outputs.logits, dim=1)
-    smishing_prob = probs[0][1].item() # Label 1이 스미싱
-    
-    return smishing_prob
-
-# 4. 테스트
-sample_text = "엄마 나 폰 고장나서 수리맡겼어. 이 번호로 문자줘."
-probability = predict_smishing(sample_text)
-
-print(f"스미싱 확률: {probability * 100:.2f}%")
-if probability > 0.7:
-    print("🚨 스미싱 의심 문자입니다!")
-else:
-    print("✅ 정상 문자입니다.")
-```
-
-## ⚠️ Disclaimer
-이 모델은 연구 및 교육 목적으로 개발되었습니다. 실제 금융 거래나 보안 시스템에 단독으로 의존하여 사용하기에는 위험이 따를 수 있으며, 보조적인 수단으로 활용하는 것을 권장합니다.
-
-## 🖊️ Citation
-
-If you use this model in your research or project, please cite it as follows:
-
-**BibTeX:**
-```bibtex
-@misc{smishing-forecast-2026,
-  author = {Hwang, Donghyun and Cho, Eunkyung and Ahn, Seongmin and Hwang, Seonwoo},
-  title = {Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System},
-  year = {2026},
-  publisher = {GitHub},
-  journal = {GitHub repository},
-  howpublished = {\url{https://github.com/DongHyun925/SmishingForecast}}
-}
-```
-
-**APA:**
-Hwang, D., Cho, E., Ahn, S., & Hwang, S. (2026). *Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System*. GitHub. https://github.com/DongHyun925/SmishingForecast
-
-## 📜 License
-[MIT License](https://opensource.org/licenses/MIT)
+---
+language: 
+  - ko
+tags:
+  - security
+  - smishing-detection
+  - roberta
+  - text-classification
+pipeline_tag: text-classification
+license: mit
+base_model: klue/roberta-base
+metrics:
+  - f1
+  - precision
+  - recall
+---
+
+# Smishing Detection RoBERTa Base 🛡️📱
+
+## 📑 Model Description
+
+이 모델은 **스미싱(Smishing, SMS Phishing)** 문자를 실시간으로 탐지하기 위해 `klue/roberta-base`를 파인튜닝(Fine-tuning)한 모델입니다.  
+한국어 문자 메시지의 문맥을 분석하여 해당 메시지가 정상적인 대화인지, 아니면 악의적인 스미싱 시도인지 분류합니다.
+
+이 모델은 **"Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System"** 프로젝트의 일환으로 개발되었으며, 최신 뉴스 기반의 공격 시나리오(Red Team)와 이에 대응하는 방어 시스템(Blue Team) 간의 적대적 학습(Adversarial Training)을 통해 성능이 고도화되었습니다.
+
+- **Developed by:** Donghyun Hwang (and Smishing Forecast Team)
+- **Model Type:** Text Classification (Binary)
+- **Language:** Korean
+- **Base Model:** [klue/roberta-base](https://huggingface.co/klue/roberta-base)
+
+## 🎯 Intended Uses & Limitations
+
+### 사용 목적 (Intended Use)
+- **스미싱 탐지**: SMS, 메신저 등에서 수신된 텍스트가 스미싱인지 판별
+- **보안 애플리케이션**: 모바일 보안 앱, 스팸 필터링 시스템의 백엔드 모델
+- **금융 사기 예방**: 은행 사칭, 대출 사기, 카카오톡 지인 사칭 등의 탐지
+
+### 제한 사항 (Limitations)
+- **데이터 편향**: 학습 데이터의 대부분이 GPT-4를 통해 생성된 **합성 데이터(Synthetic Data)**입니다. 따라서 실제 리얼월드 데이터(Wild Data)에 대해서는 성능이 다소 떨어질 수 있습니다(Overfitting possibility).
+- **최신 공격 유형**: 학습되지 않은 신종 공격 패턴에 대해서는 탐지율이 낮을 수 있습니다.
+
+## 📚 Training Data
+
+학습 데이터는 **GPT-4**를 활용하여 생성된 3,000건 이상의 합성 데이터셋으로 구성되어 있습니다.
+- **Normal (Label 0)**: 일상 대화, 택배 알림, 카드 결제 문자, 기상청 알림 등
+- **Smishing (Label 1)**:
+    - 정부 기관 사칭 (지원금신청 등)
+    - 가족/지인 사칭 (액정 파손, 급전 요청)
+    - 금융 기관 사칭 (저금리 대출, 허위 결제 승인)
+    - 경조사 사칭 (모바일 청첩장, 부고장)
+
+## 📊 Evaluation Results
+
+합성 테스트 데이터셋(100건) 기준 성능입니다.
+*(주의: 합성 데이터에 최적화된 결과이므로 실제 환경 성능과는 차이가 있을 수 있습니다.)*
+
+| Metric | Score |
+| :--- | :--- |
+| **Precision** | 1.00 |
+| **Recall** | 1.00 |
+| **F1-Score** | 1.00 |
+
+## 🚀 How to Use
+
+Python의 `transformers` 라이브러리를 통해 쉽게 사용할 수 있습니다.
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+import re
+
+# 1. 모델과 토크나이저 로드
+model_name = "donghyun95/smishing-detection-roberta-base"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSequenceClassification.from_pretrained(model_name)
+
+# 2. 전처리 함수 (특수문자 제거 등 권장)
+def preprocess(text):
+    text = re.sub(r'[^가-힣a-zA-Z0-9\s]', '', text) # 특수문자 제거
+    return text.strip()
+
+# 3. 예측 함수
+def predict_smishing(text):
+    clean_text = preprocess(text)
+    inputs = tokenizer(clean_text, return_tensors="pt", truncation=True, max_length=128)
+    
+    with torch.no_grad():
+        outputs = model(**inputs)
+    
+    probs = torch.softmax(outputs.logits, dim=1)
+    smishing_prob = probs[0][1].item() # Label 1이 스미싱
+    
+    return smishing_prob
+
+# 4. 테스트
+sample_text = "엄마 나 폰 고장나서 수리맡겼어. 이 번호로 문자줘."
+probability = predict_smishing(sample_text)
+
+print(f"스미싱 확률: {probability * 100:.2f}%")
+if probability > 0.7:
+    print("🚨 스미싱 의심 문자입니다!")
+else:
+    print("✅ 정상 문자입니다.")
+```
+
+## ⚠️ Disclaimer
+이 모델은 연구 및 교육 목적으로 개발되었습니다. 실제 금융 거래나 보안 시스템에 단독으로 의존하여 사용하기에는 위험이 따를 수 있으며, 보조적인 수단으로 활용하는 것을 권장합니다.
+
+## 🖊️ Citation
+
+If you use this model in your research or project, please cite it as follows:
+
+**BibTeX:**
+```bibtex
+@misc{smishing-forecast-2026,
+  author = {Hwang, Donghyun and Cho, Eunkyung and Ahn, Seongmin and Hwang, Sunwoo},
+  title = {Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System},
+  year = {2026},
+  publisher = {GitHub},
+  journal = {GitHub repository},
+  howpublished = {\url{https://github.com/DongHyun925/SmishingForecast}}
+}
+```
+
+**APA:**
+Hwang, D., Cho, E., Ahn, S., & Hwang, S. (2026). *Smishing Forecast: Self-Evolving AI-Powered Smishing Defense System*. GitHub. https://github.com/DongHyun925/SmishingForecast
+
+## 📜 License
+[MIT License](https://opensource.org/licenses/MIT)