Mixed Signals 연구: LLM이 쓴 EEG 가중치 2,730개의 성과와 한계

LLM이 작은 신경망의 가중치를 직접 써 넣으면 어느 정도까지 작동할까. EPFL 연구진의 「Mixed Signals」는 EEG·ECG 모델로 이 질문을 시험했다. 논문은 2026년 11월 10일 08:59:09 UTC에 arXiv에 제출됐다. 완성된 제품 출시가 아닌 연구 결과다. 논문 초록과 제출 이력에서 날짜와 연구 범위를 확인할 수 있다.

가중치를 쓰기 전에 제공한 정보

연구진은 EEG 실험에 가중치가 2,730개인 TinyEEGNet을 썼다. 실험 5에서는 모든 가중치를 0으로 놓고 LLM이 값을 작성하도록 했다. 연구진은 각 층의 수식과 전극 64개의 위치를 제공했다. 전처리와 입력 통계도 알려 줬다.

LLM은 연습용 피험자 5명의 기록을 볼 수 있었다. 연구진은 최대 100회의 네트워크 실행 피드백과 400회의 코드 실행을 허용했다. 경사하강법과 반복적인 데이터 맞춤은 금지했다. 따라서 데이터나 도구 없이 가중치를 떠올린 실험으로 읽으면 조건을 놓친다. 자세한 규칙은 논문 II-D·II-E절에 있다.

눈 개폐와 손 동작에서 달랐던 결과

연구진은 LLM이 보지 못한 피험자 65명으로 평가했다. 아래 수치는 연구진이 보고한 균형 정확도다. 독립적으로 재현한 결과는 아니다.

| 과제 | Opus 5.5가 작성한 가중치 | 피험자 30명으로 경사하강 학습 |

| --- | --- | --- |

| 눈을 뜬 상태와 감은 상태 구분 | 0.834 | 0.806 |

| 왼손과 오른손 주먹 동작 구분 | 0.769 | 0.793 |

눈 개폐 과제에서 Opus 5.5는 연습용 피험자 5명의 기록으로 비교 기준에 근접한 결과를 냈지만 손 동작 과제에서는 30명 학습 기준보다 낮았다. 피험자 수가 6분의 1이라는 표현을 모든 과제의 성능이나 전체 비용 절감으로 확대하면 안 된다.

연구진 페이지에 따르면 Opus의 가중치 작성은 두 과제에서 각각 38분과 39분이 걸렸다. 같은 크기의 네트워크를 A100 GPU 한 대에서 경사하강법으로 학습한 시간은 피험자 5명 기준 2~5초, 30명 기준 13~31초였다. 가중치 수가 같아 최종 네트워크의 추론 비용은 같다고 연구진은 설명한다. 프로젝트의 실험 5와 비용 설명에서 비교 조건을 볼 수 있다.

작은 모델 설계에 참고할 때의 제약

실험 5는 모델·과제별로 한 번씩 실행했다. 반복 실행에 따른 편차는 아직 평가하지 않았다. 공개 EEG·ECG 데이터셋이 LLM의 학습 자료에 포함됐을 가능성도 남아 있다. 연구진은 이미 잘 학습된 분류기의 성능을 LLM이 개선하지 못했다고 보고했다. 논문의 한계와 결론을 함께 읽어야 한다.

개발자가 참고할 지점은 작은 분류기의 가중치를 만드는 또 다른 설계 방식이다. 적용 여부를 판단할 때는 피험자 단위로 분리한 평가와 반복 실행 결과를 확인해야 한다. 이번 수치만으로 학습 비용 절감이나 실제 환경의 성능을 보장할 수는 없다.