Este documento estudia el problema de ajustar eficientemente los hiperparámetros en la reconstrucción de mínimos cuadrados penalizados para XCT. Descubierto a través del paradigma de la Sensing Comprimido, funcionales de penalización como los tipos de normas de Variación Total, forman una herramienta esencial para imponer estructura en problemas inversos, una característica clave en el caso en que el número de proyecciones es pequeño en comparación con el tamaño del objeto a recuperar. En este documento, proponemos un enfoque novedoso de selección de hiperparámetros para algoritmos de reconstrucción basados en la Variación Total (TV), basado en un procedimiento de aprendizaje automático tipo boosting inicialmente propuesto por Freund y Shapire y llamado Hedge. El enfoque propuesto es capaz de seleccionar un conjunto de hiperparámetros que producen una mejor reconstrucción que el enfoque tradicional de Validación Cruzada, con un esfuerzo computacional reducido. Los métodos de reconstrucción tradicionales basados en penalización pueden ser más eficientes utilizando métodos tipo boosting del aprendizaje automático.