La predicción precisa y eficiente de la pérdida de trayecto en la comunicación de ondas milimétricas juega un papel importante en la implementación a gran escala de los sistemas de comunicación móvil 5G basados en ondas milimétricas. Los métodos existentes a menudo presentan limitaciones en precisión y eficiencia y no logran cumplir con los requisitos de planificación de celdas, especialmente en entornos urbanos densos. En este documento, proponemos un método de entrenamiento novedoso llamado aprendizaje atento local de múltiples vías, que permite aprender desde múltiples perspectivas sobre el mismo conjunto de muestras de entrenamiento con atención local prestada a cada subconjunto del conjunto de datos completo. El conjunto de datos de muestra se puede dividir de varias maneras con respecto a diferentes atributos, de modo que se pueda extraer una mayor cantidad de conocimiento del mismo conjunto de datos. El esquema propuesto supera a los esquemas existentes en términos de precisión de predicción con un RMSE promedio de 6.01 dBm.