هل يمكن للذكاء الاصطناعي تقدير عدد السعرات الحرارية في وجبتي من خلال صورة؟

تبدو الفكرة مريحة للغاية لدرجة يصعب تصديقها. تلتقط صورة لطبق العشاء الخاص بك، وفي غضون ثوانٍ، يخبرك الذكاء الاصطناعي أن وجبتك تحتوي على 647 سعرة حرارية، و42 جرامًا من البروتين، و58 جرامًا من الكربوهيدرات، و24 جرامًا من الدهون. لا حاجة لأكواب قياس، ولا ميزان للطعام، ولا كتابة أي شيء في شريط البحث.

لكن هل يمكن للذكاء الاصطناعي فعل ذلك حقًا؟ وإذا كان الأمر كذلك، فإلى أي مدى يمكنه القيام بذلك؟

الإجابة القصيرة هي نعم — يمكن للذكاء الاصطناعي تقدير السعرات الحرارية من صورة الطعام بدقة عملية. في عام 2026، تحقق أفضل أنظمة تتبع الطعام بالذكاء الاصطناعي دقة تقدير السعرات الحرارية ضمن 8 إلى 12 بالمئة من القيم المقاسة في المختبر لمعظم الوجبات. وهذه دقة أفضل من تقدير السعرات الحرارية اليدوي للشخص العادي، والذي تظهر الأبحاث أنه يكون خاطئًا بنسبة 20 إلى 40 بالمئة (Lichtman et al., 1992).

الإجابة الأطول تتطلب فهم ما يحدث بالضبط بين لحظة الضغط على زر الغالق ولحظة ظهور رقم السعرات الحرارية على شاشتك. إنها سلسلة من الخطوات المتعددة، وكل خطوة تقدم قدرات وحدودًا.

سلسلة الخطوات الأربعة: من الصورة إلى السعرات الحرارية

عندما تلتقط صورة لوجبة ويعيد الذكاء الاصطناعي بيانات السعرات الحرارية، يتم تشغيل أربع عمليات حسابية متميزة بالتتابع، عادةً في بضع ثوانٍ فقط.

الخطوة 1: معالجة الصورة واكتشاف الطعام

المهمة الأولى هي الأكثر أساسية: يجب على الذكاء الاصطناعي تحديد مكان وجود الطعام في الصورة وتقسيم الصورة إلى مناطق غذائية متميزة.

يستخدم ذلك نوعًا من نماذج التعلم العميق يسمى شبكات اكتشاف الكائنات — تحديدًا، هياكل مثل YOLO (You Only Look Once) وخلفائها، أو نماذج الكشف المعتمدة على المحولات مثل DETR. تم تدريب هذه النماذج على ملايين الصور الغذائية المعلّمة حيث قام البشر برسم صناديق حول كل عنصر غذائي.

الناتج من هذه الخطوة هو مجموعة من المناطق في الصورة، كل منها تحتوي على عنصر غذائي مشكوك فيه. قد تنتج صورة لطبق عشاء أربع مناطق: واحدة للبروتين، واحدة للنشويات، واحدة للخضروات، وواحدة للصوص.

ما يجعل هذه الخطوة صعبة:

• الأطعمة التي تتداخل أو تكون مخفية جزئيًا (قطعة من الخس تحت صدر الدجاج)
• الأطباق المختلطة حيث لا يمكن فصل المكونات بصريًا (حساء، كسرولة)
• الأطعمة المتشابهة بجوار بعضها البعض (نوعان من الأرز بجانب بعضهما)
• الأجسام غير الغذائية في الإطار (أدوات المائدة، المناديل، زجاجات التوابل)

الخطوة 2: تصنيف الطعام

بمجرد أن يحدد الذكاء الاصطناعي المناطق التي تحتوي على الطعام، يجب عليه تصنيف كل منطقة — ما هو الطعام المحدد هنا؟

يستخدم ذلك نماذج تصنيف الصور، عادةً الشبكات العصبية التلافيفية (CNNs) أو المحولات البصرية (ViTs) المدربة على مجموعات بيانات غذائية مصنفة. تأخذ النموذج كل منطقة غذائية وتخرج توزيع احتمالي عبر مئات أو آلاف من فئات الطعام.

تعمل أنظمة التعرف على الطعام الحديثة بمفردات تتراوح بين 2000 إلى 10000+ فئة غذائية. على سبيل المثال، تم تدريب ذكاء Nutrola على التعرف على الأطعمة من أكثر من 50 دولة، مما يتطلب مفردات واسعة تشمل ليس فقط "الأرز" ولكن أيضًا تمييزات مثل أرز بسمتي، أرز ياسمين، أرز سوشي، وأرز لزج — لأن كثافة السعرات الحرارية تختلف بشكل ملحوظ.

ما يجعل هذه الخطوة صعبة:

• الأطعمة المتشابهة بصريًا مع ملفات سعرات حرارية مختلفة (الأرز الأبيض مقابل أرز القرنبيط: 130 مقابل 25 سعرة حرارية لكل كوب)
• الاختلافات الإقليمية في الطعام (تبدو "الزلابية" مختلفة في الصين وبولندا ونيبال)
• الأطعمة المعدة حيث لا تكون طريقة الطهي واضحة بصريًا (هل تم شوي الدجاج أم قليه؟ الفرق في السعرات كبير)
• الصلصات والتتبيلات التي غالبًا ما تكون مخفية أو مختلطة

الخطوة 3: تقدير حجم الحصة

تعتبر هذه الخطوة على نطاق واسع الأكثر تحديًا في السلسلة بأكملها. تحديد الطعام بشكل صحيح ضروري ولكنه ليس كافيًا — تحتاج أيضًا إلى معرفة مقدار ما يوجد منه.

يجب على الذكاء الاصطناعي تقدير الحجم الفيزيائي أو الوزن لكل عنصر غذائي من صورة ثنائية الأبعاد. هذه مشكلة غير محددة بطبيعتها: لا تحتوي الصورة الثنائية الأبعاد على معلومات ثلاثية الأبعاد كاملة. قد تُظهر نفس الصورة طبقًا كبيرًا من الطعام بعيدًا عن الكاميرا أو طبقًا صغيرًا قريبًا منها.

تستخدم أنظمة الذكاء الاصطناعي عدة استراتيجيات للتغلب على ذلك:

تقدير حجم الكائن المرجعي: يستخدم الطبق نفسه كمرجع. عادةً ما تكون أطباق العشاء القياسية بقطر 10 إلى 12 بوصة، ويستخدم الذكاء الاصطناعي هذا الحجم المفترض لتقدير حجم العناصر الغذائية. لهذا السبب، فإن تضمين حافة الطبق بالكامل في صورتك يحسن الدقة.

تقديرات الحصص المتعلمة: تعلم الذكاء الاصطناعي من بيانات التدريب الخاصة به كيف تبدو "الحصص النموذجية". وعادةً ما تحتوي وعاء من الحبوب مع الحليب على 200-350 سعرة حرارية. صدر دجاج على طبق عادةً ما يكون وزنه 4-8 أونصات. توفر هذه التقديرات الإحصائية افتراضات معقولة حتى عندما يكون القياس الدقيق مستحيلًا.

تقدير العمق: تستخدم بعض الأنظمة نماذج تقدير العمق الأحادي — الذكاء الاصطناعي الذي يستنتج العمق ثلاثي الأبعاد من صورة ثنائية الأبعاد واحدة — لتقدير ارتفاع وحجم العناصر الغذائية. يمكن أن توفر هواتف iPhone الأحدث المزودة بمستشعرات LiDAR بيانات عمق فعلية، على الرغم من أن ليس كل التطبيقات تستفيد من ذلك.

نماذج كثافة الطعام: بمجرد تقدير الحجم، يطبق الذكاء الاصطناعي نماذج كثافة غذائية محددة لتحويل الحجم إلى وزن. هذا ضروري لأن الأطعمة المختلفة لها كثافات مختلفة جدًا — كوب من السبانخ يزن حوالي 30 جرامًا، بينما كوب من زبدة الفول السوداني يزن حوالي 258 جرامًا.

ما يجعل هذه الخطوة صعبة:

• الطعام المخفي تحت طعام آخر (قد تحتوي وعاء من الحساء على مكونات كبيرة تحت السطح)
• المكونات ذات السعرات الحرارية العالية في أحجام صغيرة (ملعقة كبيرة من زيت الزيتون تضيف 120 سعرة حرارية ولكنها بالكاد مرئية)
• كثافات الطعام المتغيرة (الأرز المحشو بشكل فضفاض مقابل الأرز المحشو بإحكام)
• أوعية تقديم غير عادية تكسر افتراض حجم الطبق

الخطوة 4: البحث في قاعدة البيانات الغذائية

تقوم الخطوة الأخيرة بربط الطعام المحدد (من الخطوة 2) وحجم الحصة المقدر (من الخطوة 3) بقاعدة بيانات غذائية لاسترجاع قيم السعرات الحرارية والمغذيات الكبيرة.

غالبًا ما يتم تجاهل هذه الخطوة في المناقشات حول دقة تتبع الطعام بالذكاء الاصطناعي، لكنها مهمة بشكل حاسم. إن مخرجات الذكاء الاصطناعي موثوقة فقط بقدر موثوقية قاعدة البيانات التي يشير إليها.

أنواع قواعد البيانات الغذائية:

نوع قاعدة البيانات	المصدر	الجودة	القيود
قواعد البيانات الحكومية (USDA، EFSA)	بيانات تم تحليلها في المختبر	عالية	تنوع محدود في الأطعمة، تركز بشكل أساسي على المكونات الخام
قواعد البيانات المستندة إلى الجمهور	مساهمات المستخدمين	متغيرة	غير متسقة، تكرارات، أخطاء
قواعد البيانات المعتمدة من قبل أخصائيي التغذية	مراجعة احترافية	عالية جدًا	تتطلب استثمارًا مستمرًا كبيرًا
قواعد البيانات الخاصة بالمطاعم	بيانات العلامة التجارية/السلسلة	معتدلة	تغطي فقط مؤسسات معينة

تستخدم Nutrola قاعدة بيانات غذائية معتمدة بنسبة 100% من قبل أخصائيي التغذية، مما يعني أن كل إدخال غذائي تم مراجعته من قبل محترفين مؤهلين في التغذية. يوفر ذلك شبكة أمان دقيقة حاسمة: حتى إذا كانت التحليلات البصرية للذكاء الاصطناعي تحتوي على أخطاء طفيفة، فإن البيانات الغذائية التي يتم ربطها بها موثوقة سريريًا. تعتمد العديد من التطبيقات المنافسة على قواعد بيانات مستندة إلى الجمهور حيث قد يكون الإدخال الواحد لـ "دجاج كاري" قد تم تقديمه من قبل مستخدم تخمين القيم — ثم يتم تقديم هذا الإدخال غير الدقيق لكل مستخدم لاحق.

مشهد الدقة في عام 2026

ما مدى دقة هذه السلسلة من الخطوات في الممارسة العملية؟ تختلف الإجابة بشكل كبير بناءً على التطبيق المحدد، ونوع الطعام، وظروف الصورة.

الأداء الإجمالي

تحقق أفضل أنظمة تتبع الطعام بالذكاء الاصطناعي في عام 2026 مستويات الدقة التالية:

المقياس	التطبيقات الرائدة	التطبيقات المتوسطة	التطبيقات الناشئة
خطأ النسبة المئوية المطلقة في السعرات الحرارية (MAPE)	8-12%	13-18%	19-30%
دقة تحديد الطعام	88-94%	75-85%	60-75%
دقة تقدير الحصص	80-88%	65-78%	50-65%
معدل السعرات الحرارية ضمن 10%	65-75%	40-55%	20-35%

للسياق، يعني خطأ بنسبة 10 بالمئة على وجبة تحتوي على 600 سعرة حرارية أن تقدير الذكاء الاصطناعي يكون عادةً ضمن 60 سعرة حرارية من القيمة الحقيقية. وهذا هو الفرق بين 600 و660 سعرة حرارية — وهو هامش غير ذي دلالة غذائية لأغراض عملية تقريبًا.

أين يتفوق الذكاء الاصطناعي

بعض أنواع الطعام مناسبة تمامًا لتقدير السعرات الحرارية بواسطة الذكاء الاصطناعي:

• عناصر فردية واضحة: موزة، تفاحة، بيضة مسلوقة. يمكن للذكاء الاصطناعي التعرف على هذه العناصر بدقة قريبة من الكمال، وحجم الحصة (موزة متوسطة واحدة، بيضة كبيرة واحدة) غير غامض.
• وجبات موضوعة على أطباق قياسية: بروتين، نشويات، وخضروات على طبق قياسي. الفواصل الواضحة تجعل التعرف وتقدير الحصص أمرًا مباشرًا.
• أطباق المطاعم الشائعة: أطباق شعبية ذات طرق تحضير متسقة. بيتزا مارغريتا، سلطة سيزر، أو طبق من السباغيتي كاربونارا تبدو متشابهة بما يكفي عبر المطاعم بحيث تكون المتوسطات التي تعلمها الذكاء الاصطناعي موثوقة.
• الأطعمة المعبأة التي تم تصويرها مع ملصقات مرئية: عندما يمكن للذكاء الاصطناعي قراءة النص على التعبئة، يمكنه مقارنة ذلك مع قواعد بيانات المنتجات للحصول على تطابقات دقيقة.

أين لا يزال الذكاء الاصطناعي يواجه صعوبات

تظل بعض السيناريوهات تحديًا حقيقيًا:

• السعرات الحرارية المخفية: الزيوت، الزبدة، التتبيلات، والصلصات التي تمتص في الطعام أو لا تكون متميزة بصريًا. ملعقة كبيرة من زيت الزيتون (120 سعرة حرارية) تُرش فوق سلطة تكون تقريبًا غير مرئية في الصورة.
• الأطباق المختلطة في الأوعية: الحساء، الكاري، الشوربات، والكسرولات حيث السائل يخفي المكونات الصلبة. قد تحتوي وعاء من الفلفل الحار المصور من الأعلى على أي شيء من 300 إلى 700 سعرة حرارية اعتمادًا على محتوى اللحم، وكثافة الفاصوليا، ومحتوى الدهون.
• أحجام الحصص الخادعة: يمكن أن يقدم طبق واسع ضحل مقابل وعاء عميق صورًا متشابهة بصريًا مع أحجام طعام مختلفة تمامًا.
• الأطعمة غير المألوفة أو الإقليمية: الأطعمة خارج توزيع تدريب الذكاء الاصطناعي. قد لا تتطابق الأطباق التقليدية النادرة من منطقة معينة مع أي فئة في مفردات النموذج.

كيف تتعامل نهج Nutrola مع هذه التحديات

تم تصميم نظام الذكاء الاصطناعي في Nutrola للتخفيف من نقاط الضعف المعروفة في تحليل صور الطعام من خلال عدة استراتيجيات محددة.

بيانات تدريب متنوعة

تم تدريب الذكاء الاصطناعي في Nutrola على صور الطعام التي تغطي مطابخ أكثر من 50 دولة، تم جمعها من قاعدة مستخدمين تتجاوز 2 مليون مستخدم (بموافقة وت anonymization). تعني هذه السعة الكبيرة من بيانات التدريب أن الذكاء الاصطناعي يواجه الحالات النادرة من كل ثقافة غذائية بدلاً من أن يكون مُحسنًا بشكل ضيق لنظام غذائي من منطقة واحدة.

شبكة الأمان المعتمدة من أخصائيي التغذية

حتى عندما تكون التحليلات البصرية للذكاء الاصطناعي غير دقيقة، فإن قاعدة البيانات المعتمدة بنسبة 100% من قبل أخصائيي التغذية في Nutrola تعمل كطبقة تصحيح. إذا حدد الذكاء الاصطناعي طعامًا كـ "دجاج تيكا مسالا"، فإن بيانات السعرات الحرارية التي يعيدها تم تحديدها من قبل محترف تغذية أخذ في الاعتبار طرق الطهي النموذجية، واستخدام الزيوت، وكثافات الحصص — وليس من قبل مستخدم عشوائي قام بالتخمين.

خيارات الإدخال متعددة الوسائط

في الحالات التي تكون فيها الصورة وحدها غير كافية، توفر Nutrola طرق تسجيل بديلة:

• تسجيل صوتي: وصف وجبتك بلغة طبيعية. مفيد للأطعمة التي تم تناولها سابقًا والتي لا يمكنك تصويرها، أو لإضافة سياق لا يمكن للذكاء الاصطناعي رؤيته ("مُعد في ملعقتين كبيرتين من زيت جوز الهند").
• مساعد النظام الغذائي بالذكاء الاصطناعي: اسأل الذكاء الاصطناعي أسئلة حول وجبتك. "تناولت وعاء من الرامن في مطعم — هل كان المرق على الأرجح قائمًا على لحم الخنزير أم الدجاج؟" يمكن لمساعد النظام الغذائي بالذكاء الاصطناعي أن يساعد في تحسين التقديرات بناءً على السياق المحادثي.
• التعديل اليدوي: بعد أن يقدم الذكاء الاصطناعي تقديره الأولي، يمكنك تعديل الحصص، وتبديل العناصر، وإضافة المكونات المفقودة بلمسات قليلة.

التعلم المستمر

كل تصحيح يقوم به المستخدم — تعديل حصة، تبديل عنصر غذائي، إضافة مكون مفقود — يتم إعادته إلى خط أنابيب تدريب Nutrola. مع وجود أكثر من 2 مليون مستخدم نشط، ينشئ ذلك حلقة تغذية راجعة ضخمة تعمل على تحسين دقة الذكاء الاصطناعي باستمرار على الوجبات في العالم الحقيقي.

العلم وراء الذكاء الاصطناعي في التعرف على الطعام

للقراء المهتمين بالأسس التقنية، إليك نظرة عامة موجزة عن الأبحاث الرئيسية التي جعلت تقدير السعرات الحرارية من صور الطعام ممكنًا.

المعالم الرئيسية

2014 — مجموعة بيانات Food-101: نشر الباحثون في ETH Zurich مجموعة بيانات Food-101، التي تحتوي على 101,000 صورة لـ 101 فئة غذائية. أصبحت هذه المجموعة أول معيار موحد للذكاء الاصطناعي في التعرف على الطعام وحفزت الأبحاث في هذا المجال (Bossard et al., 2014).

2016 — اختراق التعلم العميق: أدى تطبيق الشبكات العصبية التلافيفية العميقة على التعرف على الطعام إلى دفع دقة التعرف فوق 80 بالمئة للمرة الأولى، كما أظهر الباحثون في MIT وGoogle (Liu et al., 2016).

2019 — تقدم تقدير الحصص: قدمت مجموعة بيانات Nutrition5k من Google Research بيانات مقترنة من صور الطعام مع محتوى غذائي مقاس في المختبر، مما مكن من تطوير نماذج تقدير الحصص الدقيقة لأول مرة (Thames et al., 2021).

2022 — ثورة المحولات البصرية: أدى اعتماد المحولات البصرية (ViT) في التعرف على الطعام إلى تحسين الدقة بمقدار 5-8 نقاط مئوية مقارنة بأساليب CNN التقليدية، خاصة في تصنيف الطعام الدقيق (Dosovitskiy et al., 2022).

2024-2026 — نضوج تجاري: دمجت التطبيقات التجارية الكبيرة مثل Nutrola التقدم في التعرف على الطعام، وتقدير الحصص، وجودة قاعدة البيانات لتحقيق مستويات دقة عملية تدعم تتبع السعرات الحرارية اليومية.

آفاق البحث المستمرة

يعمل المجتمع البحثي بنشاط على عدة جبهات من شأنها تحسين الدقة أكثر:

• إعادة بناء الطعام ثلاثي الأبعاد من الصور الفردية، باستخدام الذكاء الاصطناعي التوليدي لاستنتاج حجم الطعام بدقة أكبر
• التعرف على المكونات على مستوى المكونات الذي يحدد المكونات الفردية داخل الأطباق المختلطة
• كشف طريقة الطهي التي تميز بين التحضير المشوي، المقلي، المخبوز، والمبخر
• تحليل الصور المتعددة التي تجمع وجهات نظر من زوايا مختلفة لتحسين تقدير الحصص

الآثار العملية: هل يجب عليك الوثوق بتقديرات السعرات الحرارية من الذكاء الاصطناعي؟

نظرًا لكل ما سبق، إليك تقييم متوازن حول متى وكيف يمكنك الوثوق بتقديرات السعرات الحرارية من صور الطعام.

يمكنك الوثوق بتقديرات الذكاء الاصطناعي بثقة عندما:

• تتكون الوجبة من عناصر غذائية واضحة وقابلة للفصل
• تستخدم تطبيقًا يحتوي على قاعدة بيانات غذائية موثوقة (وليس مستندة إلى الجمهور)
• تكون المأكولات ممثلة بشكل جيد في بيانات تدريب التطبيق
• تقوم بمراجعة وتعديل مخرجات الذكاء الاصطناعي عندما تبدو غير صحيحة
• يكون هدفك هو الدقة الاتجاهية (البقاء ضمن نطاق السعرات الحرارية) بدلاً من الدقة المطلقة

يجب عليك تطبيق تدقيق إضافي عندما:

• تكون الوجبة طبقًا مختلطًا معقدًا (حساء، كسرولة، كاري كثيف)
• تم استخدام دهون طهي كبيرة لا تظهر بصريًا
• يكون الطعام من مأكولات أو مناطق تشك في أنها غير ممثلة في بيانات تدريب الذكاء الاصطناعي
• تكون حسابات السعرات الحرارية الدقيقة ضرورية طبيًا (سيناريوهات التغذية السريرية)

مقارنة بالبدائل:

الطريقة	الدقة النموذجية	الوقت المطلوب	الاتساق
تقدير الصورة بالذكاء الاصطناعي (أفضل التطبيقات)	88-92%	3-5 ثوانٍ	عالية
الإبلاغ الذاتي اليدوي	60-80%	4-7 دقائق	منخفض (يعتمد على التعب)
الوزن + البحث في قاعدة البيانات	95-98%	10-15 دقيقة	عالية (لكن نادرًا ما تستمر)
عدم تتبع على الإطلاق	0%	0 ثوانٍ	غير قابل للتطبيق

تعتبر طريقة الوزن الأكثر دقة، لكن لا يحتفظ بها أحد تقريبًا خارج الأبحاث السريرية على المدى الطويل. يحقق تقدير الصورة بالذكاء الاصطناعي نقطة توازن عملية: دقيق بما يكفي ليكون مفيدًا حقًا، وسريع بما يكفي ليكون مستدامًا.

الخلاصة

نعم، يمكن للذكاء الاصطناعي تقدير عدد السعرات الحرارية في وجبتك من خلال صورة — وفي عام 2026، يقوم بذلك بدقة تتفوق بشكل ملحوظ على التخمين البشري. ترتبط التقنية معًا بين اكتشاف الطعام، التصنيف، تقدير الحصص، والبحث في قاعدة البيانات الغذائية في سلسلة من الخطوات التي تستغرق ثوانٍ.

تعتمد جودة النتائج بشكل كبير على التطبيق المحدد الذي تستخدمه. تشمل العوامل الرئيسية التي تميز بين التطبيقات سعة بيانات التدريب، وجودة قاعدة البيانات الغذائية، ودقة تقدير الحصص. تمثل مجموعة Nutrola من التدريب الذكائي المتنوع عالميًا (أكثر من 50 دولة)، وقاعدة بيانات معتمدة بنسبة 100% من قبل أخصائيي التغذية، وزمن استجابة أقل من ثلاث ثوانٍ، الحالة الحالية للفن في تحليل صور الطعام للمستهلكين.

التقنية ليست مثالية — تظل الدهون المخفية، والأطباق المختلطة المعقدة، والأطعمة غير المألوفة تحديات. لكنها جيدة بما يكفي أن السؤال قد تحول من "هل يمكن للذكاء الاصطناعي فعل ذلك؟" إلى "كيف أحصل على أكثر النتائج دقة؟" وهذا التحول، في حد ذاته، يمثل نقطة تحول في كيفية اقتراب الملايين من الناس من تتبع التغذية.

---

المراجع:

• Lichtman, S. W., et al. (1992). "Discrepancy between self-reported and actual caloric intake and exercise in obese subjects." New England Journal of Medicine, 327(27), 1893-1898.
• Bossard, L., Guillaumin, M., & Van Gool, L. (2014). "Food-101 — Mining discriminative components with random forests." European Conference on Computer Vision, 446-461.
• Liu, C., et al. (2016). "DeepFood: Deep learning-based food image recognition for computer-aided dietary assessment." International Conference on Smart Homes and Health Telematics, 37-48.
• Thames, Q., et al. (2021). "Nutrition5k: Towards automatic nutritional understanding of generic food." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 8903-8911.
• Dosovitskiy, A., et al. (2022). "An image is worth 16x16 words: Transformers for image recognition at scale." International Conference on Learning Representations.