본 논문은 WiFi 7에서 사용되는 이진 지수 백오프 방식의 동적 채널 환경에서의 낮은 처리량 문제를 해결하기 위해, LLM 기반 변환기(transformer)를 이용한 컨텍스트 내 학습(ICL) 이론을 제안합니다. 기존의 모델 기반 접근 방식이 고정된 노드 밀도를 가정하는 한계를 극복하고, 충돌 임계값 데이터 예시와 질의 충돌 사례를 입력으로 사용하여 변환기를 학습시켜 예측되는 경쟁 윈도우 임계값(CWT)을 생성합니다. 효율적인 알고리즘을 개발하여 제한된 학습 단계 내에서 최적 CWT 예측을 보장하며, 실제 환경에서 완벽한 데이터를 얻기 어려운 점을 고려하여 오류가 있는 데이터 입력도 허용하는 확장된 모델을 제시합니다. NS-3 시뮬레이션 결과를 통해 기존의 모델 기반 및 DRL 기반 접근 방식보다 빠른 수렴과 근사 최적 처리량을 달성함을 보여줍니다.
