Este artículo propone un método de optimización de acceso al canal que utiliza aprendizaje en contexto (ICL) basado en Transformers para abordar el problema de bajo rendimiento de la técnica de retroceso exponencial binario utilizada en WiFi 7 en entornos de canal dinámico. A diferencia de los enfoques basados en modelos existentes que asumen una densidad de nodos fija, este artículo utiliza datos de umbral de colisión como datos de entrenamiento, lo que permite que un modelo Transformer aprenda patrones de colisión y prediga el umbral de ventana de contención (CWT) óptimo. Presentamos un algoritmo para un aprendizaje ICL eficiente y garantizamos una predicción óptima de CWT en un tiempo de entrenamiento limitado. Además, considerando la dificultad de obtener datos perfectos en entornos reales, ampliamos el método para mantener el rendimiento incluso con entradas de datos erróneas y demostramos que minimiza las desviaciones de predicción y rendimiento con respecto al valor óptimo. Los resultados experimentales en NS-3 demuestran que el método propuesto logra una convergencia más rápida y un rendimiento casi óptimo que los enfoques basados en modelos y DRL existentes.
