본 논문은 WiFi 7에서 사용되는 이진 지수 백오프 방식의 동적 채널 환경에서의 낮은 처리량 성능 문제를 해결하기 위해, LLM 기반 변환기(transformer)를 이용한 컨텍스트 학습(ICL) 이론을 최초로 제안합니다. 기존의 모델 기반 접근 방식(예: 비지속적 및 p-지속적 CSMA)이 고정된 노드 밀도를 가정하여 처리량 손실이 큰 문제점을 해결하기 위해, 충돌 임계값 데이터와 쿼리 충돌 사례를 변환기의 입력 프롬프트로 사용하여 예측 충돌 윈도우 임계값(CWT)을 생성하는 변환기 기반 ICL 최적화기를 설계했습니다. 효율적인 알고리즘을 개발하여 제한된 훈련 단계 내에서 거의 최적인 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 거의 최적인 처리량을 달성함을 보여줍니다.
