Este artículo propone, por primera vez, una teoría de aprendizaje basado en contexto (ICL) que utiliza un transformador basado en LLM para abordar el problema del bajo rendimiento en entornos de canal dinámico con el esquema de retroceso exponencial binario utilizado en WiFi 7. Para abordar el problema de la alta pérdida de rendimiento debido a los supuestos de densidad de nodos fija de los enfoques basados en modelos existentes (p. ej., CSMA no persistente y p-persistente), diseñamos un optimizador de ICL basado en transformador que genera umbrales de ventana de colisión (CWT) predichos utilizando datos de umbral de colisión e instancias de colisión de consulta como indicaciones de entrada para el transformador. Desarrollamos un algoritmo eficiente que garantiza predicciones de CWT casi óptimas en un tiempo de entrenamiento limitado. Considerando la dificultad de obtener datos perfectos en entornos reales, presentamos un modelo extendido que permite entradas de datos erróneas. Los resultados de la simulación NS-3 demuestran que nuestro enfoque logra una convergencia más rápida y un rendimiento casi óptimo en comparación con los enfoques basados en modelos y DRL existentes.
