본 논문은 복잡하고 역동적인 모바일 통신 네트워크에서 채널 상태 정보(CSI), 사용자 위치, 네트워크 트래픽과 같은 주요 시스템 매개변수를 정확하게 예측하는 것이 중요함을 다룹니다. 기존의 심층 학습(DL) 기반 방법들은 다양한 시나리오와 작업에 대한 일반화에 어려움을 겪는다는 점을 지적하며, 이에 따라 다양한 예측 간격을 지원하는 무선 네트워크의 다중 작업 예측을 위한 통합 기반 모델을 제안합니다. 제안된 모델은 이질적인 작업을 통합하기 위해 단변량 분해를 강화하고, 간격 인식을 위한 세분성을 인코딩하며, 정확한 예측을 위해 인과적 Transformer 백본을 사용합니다. 또한, 임의의 입력 길이를 지원하기 위해 학습 중 패치 마스킹 전략을 도입합니다. 대규모 데이터셋으로 학습된 후, 제안된 기반 모델은 보이지 않는 시나리오에 대한 강력한 일반화를 보여주며, 기존의 완전 샷 기준보다 우수한 제로 샷 성능을 새로운 작업에서 달성합니다.
