Exploramos técnicas innovadoras para adaptar dinámicamente las arquitecturas de redes neuronales durante el entrenamiento, combinando estrategias de ensamblado dinámico con mecanismos de atención evolutivos. Demostramos cómo estos sistemas pueden auto-optimizarse para diferentes tipos de patrones en los datos, ajustando automáticamente su estructura interna para maximizar tanto la precisión como la generalización en tareas de clasificación de alta complejidad.