Los sistemas subdeterminados solo están subdeterminados si no impone otras restricciones que los datos. Siguiendo con su ejemplo, ajustar un polinomio de 4 grados a 4 puntos de datos significa que tiene un grado de libertad no limitado por los datos, lo que le deja con una línea (en el espacio del coeficiente) de soluciones igualmente buenas. Sin embargo, puede usar varias técnicas de regularización para hacer que el problema sea manejable. Por ejemplo, al imponer una penalización a la norma L2 (es decir, la suma de los cuadrados) de los coeficientes, se asegura de que siempre haya una solución única con la mayor aptitud.
Las técnicas de regularización también existen para las redes neuronales, por lo que la respuesta corta a su pregunta es 'sí, puede'. De particular interés es una técnica llamada "abandono", en la cual, para cada actualización de los pesos, se 'suelta' al azar un cierto subconjunto de nodos de la red. Es decir, para esa iteración particular del algoritmo de aprendizaje, pretende que estos nodos no existen. Sin abandono, la red puede aprender representaciones muy complejas de la entrada que dependen de que todos los nodos trabajen juntos correctamente. Es probable que tales representaciones 'memoricen' los datos de entrenamiento, en lugar de encontrar patrones que generalicen. El abandono asegura que la red no pueda usar todos los nodos a la vez para ajustar los datos de entrenamiento; tiene que poder representar bien los datos incluso cuando faltan algunos nodos,
También tenga en cuenta que cuando se usa el abandono, los grados de libertad en cualquier punto dado durante el entrenamiento en realidad pueden ser más pequeños que el número de muestras de entrenamiento, aunque en total esté aprendiendo más pesos que las muestras de entrenamiento.