Este documento presenta el Aprendizaje de Validación Basado en Retroalimentación (FBVL), un enfoque novedoso que transforma el papel de los conjuntos de datos de validación en el aprendizaje profundo. A diferencia de los métodos convencionales que utilizan conjuntos de datos de validación para la evaluación del rendimiento después del entrenamiento, FBVL integra estos conjuntos de datos en el proceso de entrenamiento. Emplea retroalimentación en tiempo real para optimizar los ajustes de peso del modelo, mejorando la precisión de predicción y el rendimiento general del modelo. Es importante destacar que FBVL preserva la integridad del proceso de validación utilizando los resultados de predicción en el conjunto de datos de validación para guiar los ajustes de entrenamiento, sin acceder directamente al conjunto de datos. Nuestro estudio empírico realizado utilizando el conjunto de datos Iris demostró la efectividad de FBVL. El conjunto de datos Iris, que consta de 150 muestras de tres especies de flores de Iris, cada una caracterizada por cuatro características, sirvió como un banco de pruebas ideal para demostrar la efectividad de FBVL. La implementación de FBVL condujo a mejoras sustanciales en el rendimiento, superando la precisión del mejor resultado anterior en aproximadamente un 7.14% y logrando una reducción de pérdida mayor que los métodos anteriores en aproximadamente un 49.18%. Cuando FBVL se aplicó al Conjunto de Datos Multimodal EmotionLines (MELD), mostró su amplia aplicabilidad en diversos conjuntos de datos y dominios. El modelo logró una precisión en el conjunto de pruebas del 70.08%, superando la precisión mejor reportada previamente en aproximadamente un 3.12%. Estos resultados notables subrayan la capacidad de FBVL para optimizar el rendimiento en conjuntos de datos establecidos y su capacidad para minimizar la pérdida. Utilizando nuestro método FBVL, logramos un f1_score micro en el conjunto de pruebas del 70.07%, que es mayor que el valor mejor reportado anteriormente para f1_score micro del 67.59%. Estos resultados demuestran que FBVL mejora la precisión de clasificación y la generalización del modelo, especialmente en escenarios que involucran conjuntos de datos pequeños o desequilibrados, ofreciendo beneficios prácticos para el diseño de arquitecturas de redes neuronales más eficientes y robustas.