过度拟合是神经网络（NNs）训练中的重要问题。 当训练集中的样本数受到限制时，使用人工生成的样本显式扩展训练集是一种有效的解决方案。 但是，该方法存在计算成本高的问题。 在本文中，我们提出了一种新的学习方案，以隐式扩展的训练集训练单隐藏层前馈神经网络（SLFN）。 通过用指数族分布的噪声破坏训练样本的隐藏层输出来扩展训练集。 当损坏的数量接近无穷大时，在目标函数中，显式生成的样本可以表示为期望的形式。 我们的方法称为边缘化损坏隐藏层（MCHL），它通过最小化损坏分布下的损失函数期望值来训练SLF