本論文では、WiFi 7で使用されるバイナリ指数バックオフ技術の動的チャネル環境における低スループット問題を解決するために、トランスフォーマベースのインコンテキスト学習(ICL)を利用したチャネルアクセス最適化方法を提示する。従来のモデルベースのアプローチが固定ノード密度を仮定するのとは異なり、この論文では、衝突しきい値データを学習データとして活用して、Transformerモデルが衝突状況のパターンを学習し、最適な競合ウィンドウしきい値（CWT）を予測します。効率的なICL学習のためのアルゴリズムを提示し、限られた学習段階内で最適なCWT予測を保証します。また、実際の環境で完全なデータを取得するのが難しい点を考慮して、エラーのあるデータ入力にもパフォーマンスを維持するように拡張し、最適値からの予測とスループットの偏差を最小限に抑えることを証明します。 NS-3ベースの実験結果は,従来のモデルベースおよびDRLベースのアプローチよりも速い収束速度と近似最適スループットを達成することを示した。
