Estudios recientes informan que la guía de gradiente extraída de un modelo de referencia único puede mejorar la regresión con muestras limitadas. Sin embargo, un modelo de referencia puede no capturar todas las características relevantes de la función objetivo, lo que puede restringir la capacidad del aprendiz. Para abordar este problema, introducimos la Red Guiada por Múltiples Gradientes (MGGN), una extensión de la guía de un solo gradiente que combina gradientes de varios modelos de referencia. Los gradientes se fusionan a través de un esquema de ponderación adaptativa, y se aplica un paso de proyección ortogonal para reducir posibles conflictos entre ellos. Se utilizan experimentos en la regresión de seno para evaluar el método. Los resultados indican que MGGN logra una mayor precisión predictiva y una mejor estabilidad que la guía de un solo gradiente existente y las líneas base de meta-aprendizaje, beneficiándose de la información complementaria proporcionada por múltiples modelos de referencia.