لقد تم استخدام نماذج الفضاء الحالة الجاوسية لعقود كنماذج توليدية للبيانات التسلسلية. فهي تسمح بتفسير احتمالي بديهي، ولها شكل دالوي بسيط، وتحظى بالتبني على نطاق واسع. في هذا البحث، نقدم خوارزمية موحدة لتعلم فعال لمجموعة واسعة من النماذج التوليدية للفضاء الحالة الخطية وغير الخطية، بما في ذلك الإصدارات التي يتم فيها نمذجة توزيعات الإرسال والانتقال بواسطة الشبكات العصبية العميقة. يتعلم خوارزميتنا التعليمية شبكة استدلال مجمعة وتوليدية بشكل متزامن، مستفيدة من تقريب متغير مهيكل معين بواسطة الشبكات العصبية المتكررة لتقليد التوزيع اللاحق (posterior distribution). نطبق خوارزمية التعلم على بيانات صناعية وبيانات حقيقية من العالم الحقيقي، مما يظهر قابلية توسعها ومرونتها. لقد وجدنا أن استخدام التقريب المهيكل للتوزيع اللاحق يؤدي إلى نماذج ذات احتمالية أعلى بكثير للبيانات المحتجزة (held-out likelihood).