Upload 7 files

MODEL_CARD.md

@@ -0,0 +1,46 @@
+# Model Card — AI 신약 개발 분석 모델
+
+## 1. 모델 개요
+- 모델명: AI 신약 개발 분석 모델
+- 목적: AI 신약 개발 관련 뉴스가 진짜뉴스인지 가짜뉴스인지 판단하기 위한 보조 모델
+- 팀명: Team 3
+- 일자: 2026-08-13
+
+## 2. 의도된 사용
+- 사용 가능: AI 신약개발 관련 뉴스가 진짜인지 가짜인지 구분하는 보조 판별
+- 사용 금지: 가짜뉴스를 배포하기 위해 모델을 우회할 수 있을 정도로 교묘한 가짜뉴스 생성에 사용하는 경우
+
+## 3. 학습 데이터
+- 출처: 동아사이언스 DB
+- 건수: 200건(정상 100건 + 위험 100건)
+- 기간: 2024년~2026년
+- 검수: CDA 200건
+
+## 4. 성능 지표
+Model Card에 기재된 평가 결과:
+- Accuracy: 100
+- F1: 1.0
+- TP: 20
+- TN: 20
+- FP: 0
+- FN: 0
+- 가장 약한 유형: 우회 공격
+
+> 위 수치는 Model Card에 기록된 해당 평가 세트의 결과이며, 실제 서비스 환경에서 동일한 성능을 보장하지 않습니다.
+
+## 5. 한계 및 위험
+스트레스 테스트에서 다음 유형의 오판 가능성이 기록되어 있습니다.
+1. 공신력 있는 기관의 명칭을 도용하였을 때 오판 가능 — 위험 수준: 높음
+2. 의약품과 관련 없는 공신력 있는 기관의 명칭을 가져올 때 오판 가능 — 위험 수준: 중간
+3. 거짓된 정보를 구체적 수치로 작성하였을 때 오판 가능 — 위험 수준: 높음
+
+예시로 우회적·비꼬기 표현에서 오판 가능성이 제시되어 있습니다. 따라서 모델의 확률값이나 attention 강조 토큰을 사실검증의 근거로 단독 사용하면 안 됩니다.
+
+## 6. 개발자 책임 선언
+- 이 AI가 가짜뉴스를 완벽히 판별하지 못한다는 한계를 인정합니다.
+- 사용자에게 화면에서 한계를 고지합니다.
+- 이의 제기 통로는 개발자 이메일을 사용하도록 설계하되, 원본 Model Card에는 실제 이메일 주소가 기재되어 있지 않아 배포자가 `CONTACT_EMAIL`을 설정해야 합니다.
+- 투명성(근거 공개), 책임성(근거 공개), 피해 최소화(고지), 공정성(현황 인식)을 고려합니다.
+
+## XAI 표시 주의
+웹 인터페이스의 Highlight Word는 마지막 Transformer attention 층의 `[CLS]`→토큰 attention을 평균한 참고 신호입니다. Attention은 인과적 설명이나 외부 사실검증 결과가 아닙니다.

README.md

@@ -1,13 +1,69 @@
 ---
-title: '2416'
-emoji: 🏢
-colorFrom: pink
-colorTo: blue
+title: AI 신약개발 뉴스 판별
+description: KoELECTRA + LoRA 기반 AI 신약개발 뉴스 위험 판별과 attention 참고 표시
+emoji: 🧪
+colorFrom: purple
+colorTo: green
 sdk: gradio
-sdk_version: 6.24.0
-python_version: '3.13'
+sdk_version: 4.19.2
 app_file: app.py
+python_version: "3.10"
+models:
+  - monologg/koelectra-small-v3-discriminator
 pinned: false
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# AI 신약개발 뉴스 판별 Space
+
+첨부된 알고리즘 흐름도와 UI 스케치를 Gradio로 구현한 Hugging Face Spaces용 프로젝트입니다.
+
+## 실행 흐름
+1. 사용자 뉴스 텍스트 입력
+2. 최소 전처리(공백 정리)
+3. KoELECTRA tokenizer로 토크나이징
+4. `monologg/koelectra-small-v3-discriminator` + LoRA adapter 추론
+5. 마지막 attention 층을 이용한 참고용 Highlight Word 추출
+6. 정상/가짜뉴스 위험 확률 표시
+7. Model Card 한계를 화면 상단과 하단에 상시 노출
+
+## 런타임 오류 방지 조치
+- Python을 `3.10`으로 고정했습니다.
+- `requirements.txt`는 지정 버전을 그대로 사용합니다.
+- 업로드된 adapter의 원본 `adapter_config.json`은 PEFT 0.20.0에서 생성되어 `alora_invocation_tokens` 등 PEFT 0.9.0이 모르는 필드를 포함하고 있었습니다.
+- 그래서 `lora_climate_misinfo/adapter_config.json`을 PEFT 0.9.0 호환 필드만 남긴 버전으로 교체했고, 원본은 `adapter_config.original_peft020.json`에 보관했습니다.
+- `app.py`도 `LoraConfig`를 명시적으로 생성해 `PEFT 0.9.0`이 새 필드를 파싱하지 않도록 이중으로 방지합니다.
+- LoRA 로드 실패 시 base model만으로 임의 판정하지 않고 UI에 오류를 표시합니다.
+
+## Space 업로드
+이 폴더의 **내용 전체**를 새 Hugging Face Space 저장소 루트에 업로드하면 됩니다. `README.md`, `app.py`, `requirements.txt`, `lora_climate_misinfo/`가 같은 루트 구조를 유지해야 합니다.
+
+## 이의 제기 이메일
+원본 Model Card에는 개발자 이메일 주소가 실제로 적혀 있지 않습니다. Space 설정의 Variables에 `CONTACT_EMAIL`을 추가하면 UI의 **이의 제기 안내** 버튼에 해당 주소가 표시됩니다.
+
+## 파일 구조
+```text
+.
+├── app.py
+├── README.md
+├── requirements.txt
+├── MODEL_CARD.md
+├── lora_climate_misinfo/
+│   ├── adapter_config.json
+│   ├── adapter_config.original_peft020.json
+│   ├── adapter_model.safetensors
+│   ├── tokenizer.json
+│   ├── tokenizer_config.json
+│   └── README.md
+└── assets/
+    ├── algorithm_flow.png
+    ├── ui_sketch.png
+    └── model_card_source.pdf
+```
+
+## Model Card 핵심 한계
+- 공신력 있는 기관명을 도용한 문장: 오판 가능
+- 의약품과 무관한 공신력 기관명을 가져온 문장: 오판 가능
+- 거짓 정보를 구체적 수치로 작성한 문장: 오판 가능
+- 우회적·비꼬기 표현: 취약 가능
+
+자세한 내용은 `MODEL_CARD.md`를 확인하세요.

adapter_config.json

@@ -0,0 +1,48 @@
+{
+  "alora_invocation_tokens": null,
+  "alpha_pattern": {},
+  "arrow_config": null,
+  "auto_mapping": null,
+  "base_model_name_or_path": "monologg/koelectra-small-v3-discriminator",
+  "bias": "none",
+  "corda_config": null,
+  "ensure_weight_tying": false,
+  "eva_config": null,
+  "exclude_modules": null,
+  "fan_in_fan_out": false,
+  "inference_mode": true,
+  "init_lora_weights": true,
+  "layer_replication": null,
+  "layers_pattern": null,
+  "layers_to_transform": null,
+  "loftq_config": {},
+  "lora_alpha": 16,
+  "lora_bias": false,
+  "lora_dropout": 0.1,
+  "lora_ga_config": null,
+  "megatron_config": null,
+  "megatron_core": "megatron.core",
+  "modules_to_save": [
+    "classifier",
+    "score"
+  ],
+  "monteclora_config": null,
+  "peft_type": "LORA",
+  "peft_version": "0.20.0",
+  "qalora_group_size": 16,
+  "r": 8,
+  "rank_pattern": {},
+  "revision": null,
+  "target_modules": [
+    "query",
+    "value"
+  ],
+  "target_parameters": null,
+  "task_type": "SEQ_CLS",
+  "trainable_token_indices": null,
+  "use_bdlora": null,
+  "use_dora": false,
+  "use_qalora": false,
+  "use_rslora": false,
+  "velora_config": null
+}

adapter_model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:244409276fe68018fc658d111ecf24f29568385d4475ad1cf22a82da7d341e8e
+size 665672

app.py

@@ -0,0 +1,279 @@
+import html
+import os
+import re
+from pathlib import Path
+
+import gradio as gr
+import torch
+from peft import LoraConfig, PeftModel, TaskType
+from transformers import AutoModelForSequenceClassification, AutoTokenizer
+
+BASE_MODEL = "monologg/koelectra-small-v3-discriminator"
+LORA_DIR = Path(__file__).parent / "lora_climate_misinfo"
+MAX_LENGTH = 512
+CONTACT_EMAIL = os.getenv("CONTACT_EMAIL", "").strip()
+DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+
+# 학습 데이터의 라벨 정의: 0=정상, 1=위험(가짜뉴스)
+LABELS = {0: "정상", 1: "가짜뉴스 위험"}
+
+LIMITATION_TEXT = (
+    "이 모델은 AI 신약개발 관련 뉴스의 진위 판별을 돕는 보조 도구이며, 완벽한 사실검증기가 아닙니다. "
+    "Model Card의 스트레스 테스트에서는 공신력 있는 기관명을 도용한 문장, 의약품과 무관한 공신력 기관명을 "
+    "가져온 문장, 거짓 정보를 구체적 수치로 작성한 문장에서 오판 가능성이 확인되었습니다. "
+    "특히 우회적·비꼬기 표현도 취약할 수 있으므로 최종 판단은 원문 출처와 논문·기관 자료를 함께 확인하세요."
+)
+
+CUSTOM_CSS = r"""
+.gradio-container {max-width: 980px !important; margin: 0 auto !important;}
+#hero {text-align:center; margin-bottom: 8px;}
+.warning-box {border: 1px solid #e5b94f; background:#fff8df; border-radius:14px; padding:14px 16px; margin:8px 0 18px 0;}
+.result-card {border:2px solid #222; border-radius:16px; padding:16px; background:white; min-height:132px;}
+.result-head {font-size:14px; color:#555; margin-bottom:8px;}
+.result-main {display:flex; align-items:center; gap:10px; font-size:24px; font-weight:700;}
+.dot {width:18px; height:18px; border-radius:50%; display:inline-block; flex:0 0 auto;}
+.dot-risk {background:#c95b4b;}
+.dot-safe {background:#4e9f6a;}
+.score-line {margin-top:10px; font-size:16px;}
+.xai-box {border:2px solid #222; border-radius:20px; padding:14px; background:#fff;}
+.xai-title {display:inline-block; border:2px solid #222; border-radius:20px; padding:2px 12px; font-weight:700; margin-bottom:12px;}
+.token-wrap {display:flex; flex-wrap:wrap; gap:8px;}
+.token-chip {border:1px solid #777; border-radius:12px; padding:6px 9px; background:#f7f7f7;}
+.token-chip strong {font-weight:700;}
+.small-note {font-size:13px; color:#666; margin-top:10px;}
+.disclaimer {border:1px solid #999; border-radius:14px; padding:12px 14px; background:#f7f7f7; font-size:14px;}
+.error-card {border:2px solid #a33; border-radius:14px; padding:14px; background:#fff3f3; color:#7b1f1f;}
+"""
+
+
+def preprocess_text(text: str) -> str:
+    """흐름도의 '텍스트 전처리' 단계. 의미를 훼손하지 않는 범위에서 공백만 정리합니다."""
+    text = (text or "").strip()
+    text = re.sub(r"\s+", " ", text)
+    return text
+
+
+def build_peft_config() -> LoraConfig:
+    """PEFT 0.9.0과 호환되는 LoRA 설정을 코드에서 명시적으로 생성합니다.
+
+    업로드된 어댑터는 PEFT 0.20.0에서 저장되어 새 필드가 포함되어 있었기 때문에,
+    구버전에서 'unexpected keyword'가 나지 않도록 필요한 설정만 사용합니다.
+    """
+    return LoraConfig(
+        r=8,
+        lora_alpha=16,
+        target_modules=["query", "value"],
+        lora_dropout=0.1,
+        bias="none",
+        task_type=TaskType.SEQ_CLS,
+        modules_to_save=["classifier", "score"],
+        inference_mode=True,
+        use_rslora=False,
+        use_dora=False,
+    )
+
+
+def load_model_bundle():
+    tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL, use_fast=True)
+    base_model = AutoModelForSequenceClassification.from_pretrained(
+        BASE_MODEL,
+        num_labels=2,
+    )
+    peft_config = build_peft_config()
+    model = PeftModel.from_pretrained(
+        base_model,
+        str(LORA_DIR),
+        config=peft_config,
+        is_trainable=False,
+    )
+    model.to(DEVICE)
+    model.eval()
+    return tokenizer, model
+
+
+TOKENIZER = None
+MODEL = None
+MODEL_LOAD_ERROR = None
+try:
+    TOKENIZER, MODEL = load_model_bundle()
+except Exception as exc:  # Space 자체가 죽지 않고 UI에서 원인을 확인할 수 있게 함
+    MODEL_LOAD_ERROR = f"{type(exc).__name__}: {exc}"
+
+
+def merge_wordpieces(tokens, scores):
+    """WordPiece 토큰을 사람이 읽기 쉬운 단위로 묶어 상위 항목을 반환합니다."""
+    merged = []
+    for token, score in zip(tokens, scores):
+        if token in {"[CLS]", "[SEP]", "[PAD]"}:
+            continue
+        if token.startswith("##") and merged:
+            prev_token, prev_score = merged[-1]
+            merged[-1] = (prev_token + token[2:], max(prev_score, float(score)))
+        else:
+            merged.append((token, float(score)))
+    # 같은 표면형이 반복되면 가장 높은 점수만 유지
+    best = {}
+    for token, score in merged:
+        token = token.strip()
+        if not token or token in {"[UNK]"}:
+            continue
+        best[token] = max(score, best.get(token, -1.0))
+    return sorted(best.items(), key=lambda x: x[1], reverse=True)
+
+
+def extract_attention_guide(encoded, attentions, top_k=6):
+    """마지막 층의 [CLS]→토큰 평균 attention을 간단한 참고 신호로 사용합니다.
+
+    Attention은 인과적 설명이 아니므로 UI에도 그 한계를 명시합니다.
+    """
+    if not attentions:
+        return []
+    last = attentions[-1][0]  # [heads, seq, seq]
+    cls_to_tokens = last[:, 0, :].mean(dim=0).detach().cpu().tolist()
+    ids = encoded["input_ids"][0].detach().cpu().tolist()
+    tokens = TOKENIZER.convert_ids_to_tokens(ids)
+    merged = merge_wordpieces(tokens, cls_to_tokens)
+    return merged[:top_k]
+
+
+def result_html(pred_label: int, risk_prob: float, confidence: float):
+    is_risk = pred_label == 1
+    dot_class = "dot-risk" if is_risk else "dot-safe"
+    title = "가짜뉴스 위험" if is_risk else "정상 가능성 높음"
+    return f"""
+    <div class='result-card'>
+      <div class='result-head'>판정결과</div>
+      <div class='result-main'><span class='dot {dot_class}'></span>{html.escape(title)} · {confidence:.3f}</div>
+      <div class='score-line'><b>위험도 점수</b> {risk_prob * 100:.2f}%</div>
+      <div class='small-note'>0=정상, 1=위험 라벨 기준의 모델 확률입니다. 확률값 자체가 사실의 증명은 아닙니다.</div>
+    </div>
+    """
+
+
+def xai_html(guide):
+    if not guide:
+        chips = "<span class='token-chip'>추출된 토큰 없음</span>"
+    else:
+        max_score = max(score for _, score in guide) or 1.0
+        chunks = []
+        for token, score in guide:
+            relative = score / max_score
+            chunks.append(
+                f"<span class='token-chip'><strong>{html.escape(token)}</strong> · attention {relative:.2f}</span>"
+            )
+        chips = "".join(chunks)
+    return f"""
+    <div class='xai-box'>
+      <div class='xai-title'>Highlight Word · Attention Analysis</div>
+      <div class='token-wrap'>{chips}</div>
+      <div class='small-note'>위 토큰은 마지막 attention 층에서 상대적으로 크게 주목된 항목입니다. 인과적 근거나 사실검증 근거로 해석하면 안 됩니다.</div>
+    </div>
+    """
+
+
+def analyze(text):
+    cleaned = preprocess_text(text)
+    if not cleaned:
+        return (
+            "<div class='error-card'>분석할 뉴스 문장을 입력하세요.</div>",
+            xai_html([]),
+            "입력 없음",
+        )
+    if MODEL_LOAD_ERROR:
+        return (
+            "<div class='error-card'><b>모델 로드 실패</b><br>Base model로 임의 판정하지 않습니다.<br>"
+            + html.escape(MODEL_LOAD_ERROR)
+            + "</div>",
+            xai_html([]),
+            "모델 로드 오류 — README의 런타임 점검 항목을 확인하세요.",
+        )
+
+    encoded = TOKENIZER(
+        cleaned,
+        return_tensors="pt",
+        truncation=True,
+        max_length=MAX_LENGTH,
+    )
+    encoded = {k: v.to(DEVICE) for k, v in encoded.items()}
+
+    with torch.inference_mode():
+        outputs = MODEL(
+            **encoded,
+            output_attentions=True,
+            return_dict=True,
+        )
+        probs = torch.softmax(outputs.logits, dim=-1)[0].detach().cpu()
+
+    pred = int(torch.argmax(probs).item())
+    confidence = float(probs[pred].item())
+    risk_prob = float(probs[1].item())
+    guide = extract_attention_guide(encoded, outputs.attentions, top_k=6)
+
+    status = (
+        f"전처리 → 토크나이징 → KoELECTRA + LoRA 추론 → attention 기반 XAI 참고 → 결과 생성 완료. "
+        f"판정: {LABELS[pred]}"
+    )
+    return result_html(pred, risk_prob, confidence), xai_html(guide), status
+
+
+def appeal_message():
+    if CONTACT_EMAIL:
+        return f"이의 제기/오판 신고 연락처: {CONTACT_EMAIL}"
+    return (
+        "Model Card에는 개발자 이메일로 이의를 제기한다고 되어 있지만 실제 이메일 주소는 기재되어 있지 않습니다. "
+        "배포 전 Hugging Face Space의 CONTACT_EMAIL 변수에 개발자 이메일을 등록하세요."
+    )
+
+
+with gr.Blocks(css=CUSTOM_CSS, title="AI 신약개발 뉴스 판별") as demo:
+    gr.Markdown(
+        "# AI 신약개발 뉴스 판별 모델\n"
+        "AI 신약개발 관련 뉴스 문장을 입력하면 LoRA 분류 모델이 **정상/위험** 가능성을 표시하고, "
+        "attention 기반 참고 토큰을 함께 보여줍니다.",
+        elem_id="hero",
+    )
+
+    gr.HTML(f"<div class='warning-box'><b>⚠ Model Card 한계 고지</b><br>{html.escape(LIMITATION_TEXT)}</div>")
+
+    with gr.Row():
+        with gr.Column(scale=3):
+            news_input = gr.Textbox(
+                label="뉴스 텍스트",
+                placeholder="AI 신약개발 관련 뉴스 문장 또는 기사 일부를 입력하세요.",
+                lines=10,
+            )
+            analyze_btn = gr.Button("분석하기", variant="primary")
+            gr.Examples(
+                examples=[
+                    ["연구진은 AI를 활용해 신약 후보 물질을 선별했으며, 실제 임상 효과는 추가 검증이 필요하다고 밝혔다."],
+                    ["AI가 분석한 결과 이 치료제는 모든 암을 100% 치료하며 이미 세계 최고 기관이 효과를 보증했다."],
+                ],
+                inputs=news_input,
+            )
+        with gr.Column(scale=2):
+            result = gr.HTML("<div class='result-card'><div class='result-head'>판정결과</div><div>분석 전</div></div>")
+            status = gr.Textbox(label="처리 단계", value="대기 중", interactive=False)
+
+    xai = gr.HTML(xai_html([]))
+
+    gr.HTML(f"<div class='disclaimer'><b>최종 결과 및 한계 고지</b><br>{html.escape(LIMITATION_TEXT)}</div>")
+    with gr.Row():
+        appeal_btn = gr.Button("이의 제기 안내")
+        appeal_output = gr.Textbox(label="이의 제기", interactive=False)
+
+    with gr.Accordion("Model Card 요약", open=False):
+        gr.Markdown(
+            "- **모델명:** AI 신약 개발 분석 모델\n"
+            "- **목적:** AI 신약개발 관련 뉴스가 진짜뉴스인지 가짜뉴스인지 구분하기 위한 보조 판별\n"
+            "- **학습 데이터:** 동아사이언스 DB, 2024~2026년, 200건(정상 100 + 위험 100)\n"
+            "- **Model Card 기재 성능:** Accuracy 100, F1 1.0, TP 20, TN 20, FP 0, FN 0\n"
+            "- **가장 약한 유형:** 우회 공격\n"
+            "- **금지된 사용:** 가짜뉴스 생성을 고도화하거나 모델을 우회하기 위한 용도"
+        )
+
+    analyze_btn.click(analyze, inputs=news_input, outputs=[result, xai, status])
+    news_input.submit(analyze, inputs=news_input, outputs=[result, xai, status])
+    appeal_btn.click(appeal_message, outputs=appeal_output)
+
+if __name__ == "__main__":
+    demo.queue().launch()

tokenizer_config.json

@@ -0,0 +1,15 @@
+{
+  "backend": "tokenizers",
+  "cls_token": "[CLS]",
+  "do_lower_case": false,
+  "is_local": false,
+  "local_files_only": false,
+  "mask_token": "[MASK]",
+  "model_max_length": 512,
+  "pad_token": "[PAD]",
+  "sep_token": "[SEP]",
+  "strip_accents": null,
+  "tokenize_chinese_chars": true,
+  "tokenizer_class": "BertTokenizer",
+  "unk_token": "[UNK]"
+}