由Datawhale小组成员建议，对现在学术论文中很老练的 Topic 和开源计划进行共享，经过一同阅览、共享论文学习的办法帮咱们更好地“高效+全面+自律”学习，让咱们都有所收成和提高！方向包含自然语言处理（NLP）、核算机视觉（CV）、引荐（Res）等相关方向的论文解读和共享，后续将融入更多的方向。

  会议介绍：ICLR自2013年起至今已成功举行12届，被公认为AI范畴的尖端会议之一。该会议由“深度学习三大巨头中的 Yoshua Bengio 和 Yann LeCun 一起创建，发布人工智能、机器视觉、核算生物学、数据科学、多模态处理、游戏规划和机器人等范畴的最新论文和效果。会议投稿始于2023年9月15日，摘要注册截止于9月24日，而完好论文的提交截止日期为9月29日。阅历严厉的评定后，大会组委会于2023年11月10日发布了论文的接纳成果。此次会议投稿量高达7300多篇，创历史上最新的记载，其中有2250篇论文被接纳，接纳率为30.8%。

  论文简介：机器学习模型的传统评价协议严峻依赖于带标签的、独立同散布假定的测试数据集，而这在实践使用中并不常见。主动模型评价(AutoEval)展现了一种代替传统工作流的办法，经过构成一个近似猜测流程来猜测模型功能，而无需实践的标签。虽然 AutoEval 结构最近取得了成功，但任旧存在过度自傲、存储需求大和核算成本高的问题。对此，咱们提出了一种新颖的办法—— Meta-distribution Energy (MDE) ，它使 AutoEval 结构愈加高效和有用。MDE 的中心是针对与各个样本相关的信息（能量分数）树立元散布计算，然后经过根据能量的学习供给更滑润的表明。咱们经过将 MDE 与分类丢失联系起来，进一步供给咱们的理论见地。咱们供给了跨模态、数据集和不同网络架构的广泛试验，以验证 MDE 的有用性以及与从前办法比较的优越性。咱们还经过展现 MDE 与大型模型的无缝集成以及轻松习惯带有噪声或不平衡标签的学习场景来展现 MDE 的通用性。