图形模型，尤其是隐马尔可夫模型或其等效的连续空间，即所谓的卡尔曼滤波器模型，是进行决策时可以进行推理的强大工具。 它们的参数估计通常基于“期望最大化”方法，因为这是训练它们的自然统计方法。 当用于决策时，寻找与我们的决策相关的参数可能更重要，而不是仅仅尝试从统计角度拟合模型。 因此，我们可以将图形模型的确定重新构造为一个推理问题，其中真正关注的是模型给出的预测的决策质量。 我们表明，可以将所得的优化问题重新构造为信息几何优化问题，并引入包含其他元参数的自然梯度下降策略。 我们表明，对于图形模型学习，我们的方法是著名的EM方法的强大替代方法。 实际上，我们基于自然梯度的策略可导致学习最终目标函数的最佳参数（这是我们的决定），而无需人为地尝试拟合可能不符合真实分布的分布。 我们在金融市场中的决策问题上支持我们的理论发现，并表明所学习的模型比传统的从业者方法表现更好，并且不太容易过拟合。
