Investigamos la utilidad de la información adicional en el contexto del aprendizaje automático y, en particular, en redes neuronales supervisadas. La información adicional puede ser vista como conocimiento experto, adicional a la entrada, que puede provenir de una base de conocimiento. A diferencia de otros enfoques, nuestro formalismo puede ser utilizado por un algoritmo de aprendizaje automático no solo durante el entrenamiento, sino también durante las pruebas. Además, el enfoque propuesto es flexible ya que se adapta a diferentes formatos de información adicional, y no restringimos la información adicional a ser introducida en la capa de entrada de la red. Se presenta un formalismo basado en la diferencia entre la pérdida de la red neuronal sin y con información adicional, afirmando que es útil cuando agregar información adicional reduce la pérdida durante la fase de prueba. Como prueba de concepto, proporcionamos resultados experimentales para dos conjuntos de datos, el conjunto de datos MNIST de dígitos escritos a mano y el conjunto de datos de predicción de precios de viviendas. Para los experimentos utilizamos redes neuronales feedforward que contienen dos capas ocultas, así como una capa de salida softmax. Para ambos conjuntos de datos, se muestra que la información adicional es útil ya que mejora significativamente la precisión de clasificación.