隠れマルコフモデル（HMM）は時系列データのモデリングにおいて重要ですが、観察からのパラメータ学習は依然として難題です。従来の手法であるバウム-ウェルチアルゴリズムは計算量が多く、局所最適に陥りやすいのに対し、最近のスペクトルアルゴリズムは確実性を提供しますが、確率出力が適切な範囲外になることがあります。本研究では、「Belief Net」という新しいフレームワークを提案し、HMMのパラメータを勾配ベースの最適化を通じて学びます。Belief NetはHMMの前向きフィルタを構造的なニューラルネットワークとして定式化し、初期分布、遷移行列、放出行列のロジットが明示的な学習可能な重みとなります。合成データに対しては、Belief Netはバウム-ウェルチよりも優れた収束速度を示し、スペクトル手法が失敗する設定でもパラメータを成功裏に回復します。