Feat : HybridCharCNN + 다중 출처 학습셋 + OOD 평가 파이프라인

CLAUDE.md

@@ -14,52 +14,69 @@ cd charcnn-kit
 ## 파이프라인 (순서)
 ```bash
 pip install -r requirements.txt
-python src/download_phiusiil.py   # 데이터 다운로드 (UCI PhiUSIIL, 5만 균형 샘플)
-python src/preprocess.py          # raw -> train/valid/test (8:1:1 stratified)
+python src/download_train_mixed.py # 데이터 다운로드 (PhiUSIIL + URLhaus + OpenPhish + PhishTank + Tranco 혼합)
+python src/preprocess.py          # raw -> train/valid/test (domain-group 8:1:1 split)
 python src/train.py               # 학습 (early stopping + best-model 저장)
 python src/evaluate.py            # 지표 + FN/FP URL 출력
+python src/download_ood.py        # 학습 URL 제외 OOD 평가셋 생성
+python src/evaluate_ood.py        # OOD 지표 + threshold sweep + hard example 저장
 python src/predict.py --url "..." [--xai]  # 단일 URL 예측
 ```
-대안 데이터 소스: `python src/download_data.py` (URLhaus + Tranco). 두 소스 형식 차이로 모델이 trivially 분리되므로 baseline용으론 부적합하다.
+대안 데이터 소스: `python src/download_phiusiil.py` (UCI PhiUSIIL만 사용), `python src/download_data.py` (URLhaus + Tranco만 사용). 단일 출처/두 출처만 쓰면 source bias가 생기기 쉬우므로 현재 기본은 혼합 학습셋이다. PhishTank app key가 있으면 `PHISHTANK_APP_KEY` 환경변수 사용.
 
 ## 절대 어겨선 안 되는 컨벤션
 
 - **라벨 규칙**: `0 = 정상`, `1 = 악성`. README에서도 명시한 고정 규칙. PhiUSIIL은 반대 규칙(1=legit, 0=phish)이라 `download_phiusiil.py`에서 라벨을 반전시킨다 — 이 반전 로직은 깨면 안 됨.
 - **수정 금지 영역** (README 8번):
   - `dataset.py`의 문자 인코딩 구조 (`build_vocab`, `encode_url`, PAD/UNK 토큰)
-  - `model.py`의 CharCNN 핵심 구조
+  - `model.py`의 `CharCNN` 핵심 구조 (CharCNN 클래스는 그대로 두고 새 클래스 `HybridCharCNN`이 sub-module만 재사용)
   - 라벨 기준 자체
 - **vocab 생애주기**: vocab은 `train.py`에서 train.csv로부터 생성되어 `saved/char_vocab.json`에 저장된다. evaluate/predict는 **반드시 저장된 vocab을 로드**해야 한다 (새로 만들면 character→index 매핑이 달라져 모델이 깨짐).
+- **feature 정규화 통계 생애주기**: tabular feature mean/std는 `train.py`에서 train.csv로만 fit하여 `saved/feature_norm.json`에 저장. valid/test/predict는 반드시 저장된 통계를 로드해 적용 — train 외 데이터의 통계를 섞으면 data leakage가 됨.
+- **금지 feature**: `URLSimilarityIndex`는 PhiUSIIL에서 라벨과 |corr|=0.86으로 cheat feature 역할. `FEATURE_COLS`에 절대 추가하지 말 것 (이슈 #3 ablation에서 확인).
 
 ## 아키텍처 (큰 그림)
 
-**데이터 흐름:**
+**데이터 흐름 (이슈 #3 이후):**
 ```
-data/raw/urls.csv (url, label)
-  └─ preprocess.py → stratified 8/1/1 split, 라벨 검증, 중복/null 제거
+data/raw/urls.csv (url, label, source)
+  └─ preprocess.py → domain-group 8/1/1 split, 라벨 검증, 중복/feature-NaN 제거
 data/processed/{train,valid,test}.csv
-  └─ URLDataset (dataset.py) → char-level encode_url(URL) → tensor
+  └─ URLDataset (dataset.py) → (char-encoded URL, tabular feature 벡터, label)
+                              → train의 mean/std로 표준화
 torch.DataLoader
-  └─ CharCNN (model.py): Embedding → 여러 Conv1d kernel → max-pool over time → concat → Dropout → FC(1) → BCEWithLogitsLoss
-saved/charcnn.pt + saved/char_vocab.json
+  └─ HybridCharCNN (model.py):
+       ├─ char 분기: Embedding → 여러 Conv1d kernel → max-pool over time → concat → Dropout
+       ├─ tabular 분기: Linear → ReLU → Dropout (작은 MLP)
+       └─ 두 분기 concat → FC(1) → BCEWithLogitsLoss
+saved/charcnn.pt + saved/char_vocab.json + saved/feature_norm.json
 ```
 
-**CharCNN 구조 핵심:** 문자별 임베딩을 Conv1d 여러 kernel size(`KERNEL_SIZES`)로 통과시켜 각각의 max-pool 결과를 concat. URL 길이는 `MAX_LEN`(200)으로 패딩/truncate.
+**CharCNN 구조 핵심:** 문자별 임베딩을 Conv1d 여러 kernel size(`KERNEL_SIZES`)로 통과시켜 각각의 max-pool 결과를 concat. URL 길이는 `MAX_LEN`(200)으로 패딩/truncate. CharCNN 클래스 자체는 보존되고, `HybridCharCNN`이 그 sub-module(embedding/convs/dropout)을 재사용해 forward를 새로 구성한다.
+
+**Tabular feature (이슈 #3):**
+- `FEATURE_COLS = URL_FEATURE_COLS` (25개). URL 문자열에서 즉시 계산 가능한 feature만 학습/평가/추론 전부에서 동일하게 사용한다.
+- 동적 URL 대응 feature 포함: query/path/token 관련 `NoOfQueryParams`, `QueryLength`, `PathLength`, `NoOfPathSegments`, `HasFragment`, `NoOfEqualsInURL`, `NoOfAmpersandInURL` 등.
+- `HTML_FEATURE_COLS`는 현재 비활성화. 실제 predict/evaluate_ood에서 페이지 fetch 없이 mean imputation만 하게 되면 OOD 오탐이 커지므로 다시 추가하지 말 것.
 
 **학습 흐름 (`train.py`):**
 - valid_loss를 epoch마다 계산
 - `valid_loss`가 갱신될 때마다 best state를 `copy.deepcopy`로 보관
 - `PATIENCE` epoch 동안 개선 없으면 early stopping
 - 최종 저장은 **마지막 epoch이 아닌 best epoch의 state** (이게 핵심)
+- tabular feature의 mean/std도 train에서만 fit해 `saved/feature_norm.json`에 저장
 
-**Config (`config.py`):** 모든 하이퍼파라미터/경로의 단일 출처. README 9번에 추천 튜닝 순서가 정리되어 있음.
+**Config (`config.py`):** 모든 하이퍼파라미터/경로/feature 컬럼 목록의 단일 출처. README 9번에 추천 튜닝 순서가 정리되어 있음.
+**Split/Augmentation/Hard mining:** `USE_DOMAIN_GROUP_SPLIT=True`가 기본. 같은 등록 도메인이 train/valid/test에 섞이지 않도록 `StratifiedGroupKFold`를 사용한다. random row split으로 되돌리면 성능은 올라가 보여도 데이터 누수 가능성이 커진다. `download_train_mixed.py`는 정상/악성 각각 5,000개의 동적 URL(query/path/token) synthetic augmentation을 추가한다. `evaluate_ood.py`는 FN/FP를 `data/hard_examples/hard_examples.csv`에 저장하고, 다음 `download_train_mixed.py` 실행 때 클래스별 최대 `HARD_EXAMPLES_MAX_PER_CLASS`개만 재학습에 섞는다. hard example 도메인 group은 train에 고정한다.
 
 ## 알려진 제약
 
-- **CharCNN의 본질적 한계**: URL 문자열만 보므로 "평범해 보이는 신규 phishing 도메인"은 구분 불가. 현재 baseline의 FN 9건이 모두 이 패턴(`https://www.{도메인}.{tld}` 단순 형태). recall을 더 올리려면 WHOIS/DNS feature 통합이 필요 — 모델 구조 튜닝만으로는 한계.
+- **CharCNN/URL-feature의 한계**: URL 문자열만 보면 "평범해 보이는 신규 phishing 도메인"은 놓칠 수 있다. 그래서 URLhaus/Tranco/PhishTank/OpenPhish 등 외부 출처 OOD 평가를 계속 돌려야 한다.
+- **PhiUSIIL HTML feature의 OOD 위험**: `URLSimilarityIndex`는 라벨과 사실상 1:1 → 학습용 `FEATURE_COLS`에서 제외. `HasSocialNet`, `HasCopyrightInfo`, `HasDescription`도 실제 추론에서 계산하지 않으면 train/test 분포가 어긋난다. 현재는 HTML feature 비활성화 상태.
 - **Windows 콘솔에서 한글 mojibake**: print의 한글이 깨져 보일 수 있음(예: `악성` → `��`). 코드/저장 파일은 UTF-8로 정상이며, **콘솔 표시 문제일 뿐**이므로 무시해도 된다.
 - **재현 가능 산출물은 .gitignore됨**: `data/raw/*.csv`, `data/processed/*.csv`, `saved/*.pt`, `saved/*.json`. 새 환경에서 작업할 땐 위 파이프라인을 처음부터 돌려야 한다.
 
 ## 현재 baseline (참고용)
-- PhiUSIIL test 5,000건: Accuracy 0.9982, Precision 1.0000, Recall 0.9964, FN 9, FP 0
-- README 목표(recall ≥0.90, accuracy ~0.90)는 충족 상태. 다음 작업의 비교 기준점.
+- **Mixed + URL-feature HybridCharCNN** (2026-04-28, domain split, dynamic URL augmentation, hard-mining 1회, PhiUSIIL+URLhaus+OpenPhish+PhishTank+Tranco): internal test Accuracy 0.9975, Precision 0.9980, Recall 0.9969, FN 17, FP 11 at threshold 0.2.
+- **OOD(URLhaus+PhishTank/Tranco, 학습 URL 제외)**: Accuracy 0.9975, Precision 0.9988, Recall 0.9962, FN 19, FP 6 at threshold 0.2. Hard mining은 오탐 안정성을 개선했지만 FN은 증가했으므로 recall 우선 운영이면 threshold 0.1 후보도 함께 비교할 것.
+- README 목표(recall ≥0.90, accuracy ~0.90)는 둘 다 충족.

charcnn-kit/.gitignore

@@ -6,8 +6,13 @@ __pycache__/
 # 생성물: 다운로드 스크립트로 재생성 가능
 data/raw/*.csv
 data/processed/*.csv
+data/ood/*.csv
+data/hard_examples/*.csv
+data/phiusiil_columns_report.txt
 !data/raw/.gitkeep
 !data/processed/.gitkeep
+!data/ood/.gitkeep
+!data/hard_examples/.gitkeep
 
 # 학습 산출물: train.py로 재생성 가능
 saved/*.pt

charcnn-kit/README.md

@@ -59,6 +59,18 @@ http://paypa1-login.xyz,1
 * `valid.csv`
 * `test.csv`
 
+#### data/ood/
+
+외부 출처 OOD 평가 데이터 위치
+
+* `ood_test.csv`
+
+#### data/hard_examples/
+
+OOD 평가에서 틀린 FN/FP URL을 누적 저장하는 위치
+
+* `hard_examples.csv`
+
 ---
 
 ### saved/
@@ -73,6 +85,10 @@ http://paypa1-login.xyz,1
 
 문자를 숫자로 바꾸는 사전 파일
 
+#### feature_norm.json
+
+tabular feature의 train mean/std 저장 파일
+
 ---
 
 ### src/
@@ -87,10 +103,14 @@ http://paypa1-login.xyz,1
 | model.py             | CharCNN 모델 구조                     |
 | train.py             | 모델 학습 (early stopping + best-model 저장) |
 | evaluate.py          | 성능 평가 + FN/FP 사례 출력               |
+| evaluate_ood.py      | 외부 출처 OOD 평가 + threshold sweep      |
 | predict.py           | URL 단일 예측                         |
 | explain.py           | XAI 로그 기능                         |
+| features.py          | URL feature 계산 + feature 정규화 저장/로드 |
 | download_phiusiil.py | UCI PhiUSIIL 데이터셋 다운로드 (추천)       |
 | download_data.py     | URLhaus + Tranco 데이터 다운로드 (대안)    |
+| download_train_mixed.py | PhiUSIIL + URLhaus + OpenPhish + PhishTank + Tranco 혼합 학습셋 생성 |
+| download_ood.py      | URLhaus + PhishTank + OpenPhish + Tranco OOD 평가셋 생성 |
 
 ---
 
@@ -121,7 +141,24 @@ http://paypa1-login.xyz,1
 * `0` = 정상
 * `1` = 악성
 
-#### 옵션 A. 공개 데이터셋 자동 다운로드 (추천)
+#### 옵션 A. 혼합 학습셋 자동 다운로드 (추천)
+
+PhiUSIIL, URLhaus, OpenPhish, PhishTank, Tranco를 섞어 학습 데이터를 만듭니다.
+현재 기본 학습 파이프라인은 이 방식을 권장합니다.
+
+```bash
+python src/download_train_mixed.py
+```
+
+기본 구성:
+
+* 악성 약 50,000개: PhiUSIIL phishing 25,000 + URLhaus recent 15,000 + PhishTank 10,000 + OpenPhish available feed
+* 정상 약 50,000개: PhiUSIIL legitimate + Tranco top 100,000 중 샘플
+* 동적 URL augmentation 10,000개: 정상/악성 각각 5,000개 query/path/token 변형
+* 실행 결과: `data/raw/urls.csv`
+* PhishTank app key가 있으면 환경변수 `PHISHTANK_APP_KEY`에 넣으면 됩니다. 없으면 public feed를 시도합니다.
+
+#### 옵션 B. PhiUSIIL만 사용
 
 UCI ML PhiUSIIL Phishing URL Dataset (235k URL)에서 5만개 균형 샘플링:
 
@@ -133,10 +170,17 @@ python src/download_phiusiil.py
 
 > 다른 소스도 가능: `python src/download_data.py` (URLhaus + Tranco). 다만 두 소스 형식 차이로 모델이 trivially 분리되어 baseline용으론 비추천.
 
-#### 옵션 B. 직접 작성
+#### 옵션 C. 직접 작성
 
 CSV 형식에 맞춰 `data/raw/urls.csv`를 수동으로 채워도 됩니다.
 
+#### 추가로 찾아오면 좋은 데이터 출처
+
+* 악성 URL: URLhaus `https://urlhaus.abuse.ch/`, PhishTank `https://www.phishtank.org/developer_info.php`, OpenPhish `https://openphish.com/phishing_feeds.html`
+* 정상 URL: Tranco `https://tranco-list.eu/`, 회사/학교/정부/뉴스/쇼핑/포털 등 실제 정상 사이트 목록
+* 직접 가져온 CSV는 최소 `url,label` 컬럼을 맞추면 됩니다. 라벨은 `0=정상`, `1=악성`입니다.
+* 정상 후보는 악성 feed와 겹치는 URL을 제거해야 합니다.
+
 ---
 
 ### 3단계. 전처리
@@ -153,6 +197,9 @@ data/processed/valid.csv
 data/processed/test.csv
 ```
 
+기본 전처리는 같은 등록 도메인이 train/valid/test에 동시에 들어가지 않도록 domain group split을 사용합니다. 이 설정은 과적합과 데이터 누수를 줄이기 위한 것입니다.
+URL feature는 query/path/token 같은 동적 URL 대응을 위해 `NoOfQueryParams`, `QueryLength`, `PathLength`, `NoOfPathSegments`, `HasFragment` 등을 포함합니다.
+
 ---
 
 ### 4단계. 학습
@@ -166,6 +213,7 @@ python src/train.py
 ```text
 saved/charcnn.pt
 saved/char_vocab.json
+saved/feature_norm.json
 ```
 
 예상 로그:
@@ -195,26 +243,86 @@ python src/evaluate.py
 
 ```text
 === Evaluation Result ===
-Accuracy : 0.9982
-Precision: 1.0000
-Recall   : 0.9964
-F1 Score : 0.9982
+Accuracy : 0.9975
+Precision: 0.9980
+Recall   : 0.9969
+F1 Score : 0.9975
 Confusion Matrix:
-[[2500    0]
- [   9 2489]]
+[[5509   11]
+ [  17 5504]]
 
-=== False Negatives (미탐: 악성을 정상으로 판단) [9건] ===
-  score=0.2706  https://www.vmailmessage.com
+=== False Negatives (미탐: 악성을 정상으로 판단) [17건] ===
+  score=0.1295  https://verificahype.simply.site
   ...
 
-=== False Positives (오탐: 정상을 악성으로 판단) [0건] ===
+=== False Positives (오탐: 정상을 악성으로 판단) [11건] ===
 ```
 
 * 지표 외에 **FN/FP 사례가 score와 함께 출력**되어 모델이 어떤 URL을 놓쳤는지 분석 가능합니다.
 
 ---
 
-### 6단계. 단일 URL 예측
+### 6단계. 외부 출처 OOD 평가 + hard example 저장
+
+PhiUSIIL 내부 split 성능은 실제 인터넷 URL 성능을 보장하지 않습니다.
+외부 데이터로 별도 평가합니다.
+
+```bash
+python src/download_ood.py
+python src/evaluate_ood.py
+```
+
+기본 설정:
+
+* 악성: URLhaus recent 5,000개
+* 정상: Tranco 상위 100,000 도메인 중 5,000개 샘플
+* 저장 위치: `data/ood/ood_test.csv`
+* `download_ood.py`는 기본적으로 `data/raw/urls.csv`에 들어간 학습 URL을 제외하고 OOD 평가셋을 만듭니다.
+* 현재 모델은 실제 추론에서 계산 가능한 URL 기반 feature만 사용합니다.
+* `evaluate_ood.py`는 기본적으로 오분류 FN/FP를 `data/hard_examples/hard_examples.csv`에 누적 저장합니다.
+
+hard example을 다음 학습에 반영하는 루프:
+
+```bash
+python src/evaluate_ood.py --save-hard
+python src/download_train_mixed.py
+python src/preprocess.py
+python src/train.py
+python src/download_ood.py
+python src/evaluate_ood.py
+```
+
+과적합 방지:
+
+* hard example은 클래스별 최대 `HARD_EXAMPLES_MAX_PER_CLASS`개만 학습에 섞습니다.
+* hard example의 등록 도메인 group은 train에 고정하고 valid/test와 겹치지 않게 합니다.
+* 같은 OOD 파일에 대해 무한 반복하지 말고, 최신 feed로 새 OOD를 만든 뒤 반복합니다.
+
+2026-04-28 현재 HybridCharCNN OOD 결과:
+
+```text
+Threshold 0.20
+Accuracy : 0.9975
+Precision: 0.9988
+Recall   : 0.9962
+F1 Score : 0.9975
+Confusion Matrix [[TN FP], [FN TP]]:
+[[ 4994     6]
+ [   19  4981]]
+```
+
+해석:
+
+* 이전 PhiUSIIL+HTML-feature 모델은 Tranco 정상 5,000개 중 4,981개를 오탐했습니다.
+* 혼합 학습셋 + URL 기반 feature-only 모델로 바꾼 뒤 대량 오탐 문제는 해소됐습니다.
+* 현재 OOD 악성은 URLhaus + PhishTank 잔여 URL을 포함합니다. OOD FN은 PhishTank 쪽에서 발생합니다.
+* 동적 URL augmentation 후 OOD는 이전 FN 14 / FP 23에서 FN 12 / FP 15로 개선됐습니다.
+* hard example 1회 재학습 후 OOD 오탐은 15개에서 6개로 줄었고, 내부 test도 FP 17개에서 11개로 줄었습니다. 대신 OOD FN은 12개에서 19개로 늘어 threshold/정책 선택이 필요합니다.
+* OpenPhish community feed는 현재 샘플 수가 작아 추가 검증용으로는 부족합니다. 직접 수집 정상 URL과 최신 phishing feed를 계속 추가해야 합니다.
+
+---
+
+### 7단계. 단일 URL 예측
 
 ```bash
 python src/predict.py --url "http://paypa1-login.xyz"

charcnn-kit/data/hard_examples/.gitkeep

@@ -0,0 +1 @@
+

charcnn-kit/data/ood/.gitkeep

@@ -0,0 +1 @@
+

charcnn-kit/src/config.py

@@ -15,7 +15,7 @@
 DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
 
 # pridict
-THRESHOLD = 0.5             # score가 0.5 이상이면 악성으로 판단
+THRESHOLD = 0.2             # score가 0.2 이상이면 악성으로 판단 (FN/FP 균형)
 
 VOCAB_PATH = "saved/char_vocab.json" # 문자 사전 저장 경로
 MODEL_PATH = "saved/charcnn.pt"      # 모델 저장 경로
@@ -30,4 +30,67 @@
 TRAIN_RATIO = 0.8       # 학습 데이터 비율
 VALID_RATIO = 0.1       # 검증 데이터 비율
 TEST_RATIO = 0.1        # 평가 데이터 비율
-SEED = 42               # 재현성을 위한 random seed
+SEED = 42               # 재현성을 위한 random seed
+
+# === OOD 평가 ===
+OOD_CSV_PATH = "data/ood/ood_test.csv"         # 외부 출처 OOD 평가 데이터
+OOD_SAMPLE_PER_CLASS = 5000  # OOD 평가셋 클래스별 샘플 수
+OOD_BENIGN_TOP_N = 100000    # Tranco 정상 후보를 상위 N개 도메인으로 제한
+
+# === 혼합 학습셋 / hard example 재학습 ===
+HARD_EXAMPLES_PATH = "data/hard_examples/hard_examples.csv"  # OOD 오분류 누적 저장
+MIXED_PHIUSIIL_PER_CLASS = 25000  # 혼합 학습셋 PhiUSIIL 클래스별 샘플 수
+MIXED_URLHAUS_SAMPLES = 15000     # 혼합 학습셋 URLhaus 악성 샘플 수
+MIXED_OPENPHISH_SAMPLES = 5000    # 혼합 학습셋 OpenPhish 악성 샘플 수
+MIXED_PHISHTANK_SAMPLES = 10000   # 혼합 학습셋 PhishTank 악성 샘플 수
+MIXED_TRANCO_SAMPLES = 40000      # 혼합 학습셋 Tranco 정상 샘플 수
+MIXED_TRANCO_TOP_N = 100000       # 혼합 학습용 Tranco 정상 후보 상위 N개
+DYNAMIC_AUG_PER_CLASS = 5000      # 동적 URL(query/path/token) synthetic augmentation 수
+HARD_EXAMPLES_MAX_PER_CLASS = 2000   # 재학습에 섞을 hard example 클래스별 최대 수
+USE_DOMAIN_GROUP_SPLIT = True     # 같은 등록 도메인이 train/valid/test에 섞이지 않게 분할
+FORCE_HARD_EXAMPLES_TO_TRAIN = True  # hard example 도메인 group은 train에 고정
+
+# === Tabular feature 통합 (이슈 #3) ===
+# URL 문자열만으로 즉시 계산 가능 → 학습/평가/추론 모두에서 사용
+URL_FEATURE_COLS = [
+    "IsHTTPS",
+    "URLLength",
+    "DomainLength",
+    "NoOfSubDomain",
+    "IsDomainIP",
+    "TLDLength",
+    "NoOfLettersInURL",
+    "LetterRatioInURL",
+    "NoOfDegitsInURL",          # PhiUSIIL 원본 오타 그대로
+    "DegitRatioInURL",
+    "SpacialCharRatioInURL",
+    "NoOfOtherSpecialCharsInURL",
+    "HasObfuscation",
+    "NoOfEqualsInURL",
+    "NoOfQMarkInURL",
+    "NoOfAmpersandInURL",
+    "NoOfAtInURL",
+    "NoOfDashInURL",
+    "NoOfDotInURL",
+    "NoOfPercentInURL",
+    "PathLength",
+    "QueryLength",
+    "NoOfPathSegments",
+    "NoOfQueryParams",
+    "HasFragment",
+]
+# HTML/페이지 분석이 필요 → 학습/평가만 PhiUSIIL 사전계산값 사용,
+# 단일 URL 추론에서는 train mean으로 imputation
+# 주의: URLSimilarityIndex는 라벨과 |corr|=0.86으로 cheat-feature이라 제외함
+#       (이슈 #3 ablation 결과; 다시 추가하지 말 것)
+HTML_FEATURE_COLS = [
+    "HasSocialNet",
+    "HasCopyrightInfo",
+    "HasDescription",
+]
+# 현재 배포/외부 평가에서는 HTML을 실제 fetch하지 않으므로 URL 기반 feature만 사용한다.
+# HTML feature를 다시 쓰려면 predict/evaluate_ood에서도 동일 feature를 계산해야 한다.
+FEATURE_COLS = URL_FEATURE_COLS
+
+FEATURE_NORM_PATH = "saved/feature_norm.json"  # 학습 데이터의 mean/std 저장
+TABULAR_HIDDEN = 32                            # tabular 분기의 hidden 차원