Cet article propose, pour la première fois, une théorie d'apprentissage contextuel (ICL) utilisant un transformateur basé sur LLM pour résoudre le problème de faible débit dans les environnements de canaux dynamiques avec le schéma de backoff exponentiel binaire utilisé dans WiFi 7. Pour résoudre le problème de perte de débit élevée due aux hypothèses de densité de nœuds fixes des approches basées sur des modèles existantes (par exemple, CSMA non persistant et p-persistant), nous concevons un optimiseur ICL basé sur un transformateur qui génère des seuils de fenêtre de collision (CWT) prédits à l'aide de données de seuil de collision et interroge les instances de collision comme invites d'entrée pour le transformateur. Nous développons un algorithme efficace qui garantit des prédictions CWT quasi optimales dans un temps d'apprentissage limité. Compte tenu de la difficulté d'obtenir des données parfaites dans des environnements réels, nous présentons un modèle étendu qui autorise les entrées de données erronées. Les résultats de la simulation NS-3 démontrent que notre approche atteint une convergence plus rapide et un débit quasi optimal par rapport aux approches basées sur des modèles et des DRL existantes.
