Эта работа презентует быстрый алгоритм для оценки скрытых состояний байесовских моделей пространства состояний. Алгоритм является вариацией амортизированных симуляционных алгоритмов, где на первом этапе создается большое количество искусственных наборов данных, а затем обучается гибкая модель для прогнозирования интересующих переменных. Описанная в этой работе процедура, в отличие от предложенных ранее, позволяет обучать алгоритмы оценки для скрытых состояний за счет концентрации только на определенных характеристиках предельных апостериорных распределений, а также использования нейронной сети, отражающей специфику данных. Иллюстрации на примере моделей стохастической волатильности, нелинейной динамической стохастической модели общего равновесия и процедуры сезонной оценки со сдвигами в сезонности показывают, что алгоритм имеет достаточную для практического использования точность. Более того, после предобучения, которое занимает несколько часов, нахождение апостериорного распределения для любого набора данных занимает от сотых до десятых секунды.