본 논문은 대규모 뇌파 기반 모델(LBMs)의 뇌-컴퓨터 인터페이스(BCI) 분야 적용 가능성을 평가한 연구 결과를 제시합니다. 여러 BCI 벤치마크 작업(기억 작업 및 수면 단계 분류 포함)에 걸쳐 체계적인 미세 조정 실험을 수행하여 최첨단 LBMs이 기존 심층 아키텍처보다 0.9%-1.2%의 미미한 성능 향상만 보이는 반면, 파라미터 수는 수백만 개에서 수천 개로 훨씬 더 많이 필요하다는 것을 발견했습니다. 또한, ablation study와 Low-Rank Adaptation (LoRA)을 통해 파라미터 수를 크게 줄이면서 성능 저하 없이 모델을 개선할 수 있음을 보였으며, LBMs의 현재 성능 한계는 아키텍처 및 훈련 비효율성 때문임을 밝혔습니다. 전체 모델 미세 조정과 파라미터 효율적인 적응 기법 모두를 실험하여 BCI 응용 프로그램에 대한 최적의 훈련 전략에 대한 통찰력을 제공하고, LoRA를 LBMs에 적용하여 여러 신경망 구성 요소를 동시에 적용할 때 성능 향상이 나타나는 것을 확인했습니다.
