본 논문은 5G/6G 네트워크에서의 효율적인 주파수 자원 활용을 위해 동적 주파수 할당에 메타 러닝 기법을 적용하는 방법을 제안합니다. 기존 심층 강화 학습(DRL)의 높은 샘플 복잡도와 안전하지 않은 탐색으로 인한 위험성을 해결하기 위해, 메타 러닝 프레임워크를 통해 에이전트가 강건한 초기 정책을 학습하고 최소한의 데이터로 새로운 무선 환경에 빠르게 적응할 수 있도록 합니다. MAML, RNN, 그리고 어텐션 기반 RNN 세 가지 메타 러닝 아키텍처를 구현하여, 시뮬레이션된 동적 통합 접속/백홀(IAB) 환경에서 기존 DRL 알고리즘인 PPO와 비교 평가합니다. 실험 결과, 어텐션 기반 메타 러닝 에이전트는 최대 48 Mbps의 평균 네트워크 처리량을 달성한 반면, PPO는 10 Mbps로 급격히 감소했습니다. 또한, SINR 및 지연 위반을 PPO 대비 50% 이상 감소시켰으며, 공정성 지수 0.7을 달성하여 더 나은 자원 할당을 보여주었습니다. 이를 통해 메타 러닝이 복잡한 무선 시스템의 지능형 제어에 매우 효과적이고 안전한 방법임을 증명합니다.
