본 논문은 WiFi 7에서 사용되는 이진 지수 백오프 기법의 동적 채널 환경에서의 낮은 처리량 문제를 해결하기 위해, Transformer 기반의 In-context Learning (ICL)을 활용한 채널 접근 최적화 방법을 제시합니다. 기존의 모델 기반 접근 방식이 고정된 노드 밀도를 가정하는 것과 달리, 본 논문에서는 충돌 임계값 데이터를 학습 데이터로 활용하여 Transformer 모델이 충돌 상황에 대한 패턴을 학습하고, 최적의 경쟁 윈도우 임계값(CWT)을 예측하도록 합니다. 효율적인 ICL 학습을 위한 알고리즘을 제시하며, 제한된 학습 단계 내에서 최적의 CWT 예측을 보장합니다. 또한, 실제 환경에서 완벽한 데이터를 얻기 어려운 점을 고려하여 오류가 있는 데이터 입력에도 성능을 유지하도록 확장하고, 최적 값으로부터의 예측 및 처리량 편차를 최소화함을 증명합니다. NS-3 기반 실험 결과를 통해 기존 모델 기반 및 DRL 기반 접근 방식보다 빠른 수렴 속도와 근사 최적의 처리량을 달성함을 보여줍니다.
