Bár sok változata létezik a szomszédság-alapú kiugró érték észlelésnek, az alapötlet magától értetődő. Egy objektum rendellenesség, ha távol van a legtöbb ponttól. Ez a megközelítés általánosabb és könnyebben alkalmazható a statisztikai megközelítéseknél, hiszen könnyebb egy értelmes szomszédsági mértéket az adatokra kiszámolni, mint meghatározni azok statisztikai eloszlását.

A k -legközelebbi szomszédjától vett távolság használata az egyik legegyszerűbb mód annak mérésére, hogy vajon egy objektum távol van-e a legtöbb ponttól. Ezt ragadja meg 10.3. definíció. A kiugró érték pontszám legkisebb értéke 0, míg a legnagyobb értéke a távolságfüggvény legnagyobb lehetséges értéke -- ez általában végtelen.

10.4. Definíció

(Távolság a k -legközelebbi szomszédtól) Egy objektum kiugró érték pontszáma (outlier score) a k -legközelebbi szomszédjától vett távolsága.

A 10.4. ábra kétdimenziós pontok egy halmazát mutatja. Minden egyes pont színezése a kiugró érték pontszámát jelzi k = 5 választással. Vegyük észre, hogy a C kiugró pont helyesen kapott magas kiugró érték pontszámot.

A kiugró érték pontszám erősen érzékeny lehet k értékére. Ha k túl kicsi, például 1, akkor néhány egymáshoz közeli kiugró érték alacsony kiugró érték pontszámot okozhat. Például a 10.5. ábra kétdimenziós pontok egy olyan halmazát mutatja, ahol egy további pont is közel van C -hez. A színezés a kiugró érték pontszámot jelzi k=1 -re. Vegyük észre, hogy C és szomszédja is kis kiugró érték pontszámú. Ha k túl nagy, akkor elképzelhető, hogy egy k -nál kisebb elemszámú klaszter minden objektuma kiugró értékké válik. A 10.6. ábra például egy olyan kétdimenziós ponthalmazt mutat, amely egy 5 elemű természetes klasztert tartalmaz egy nagyobb, 30 elemű klaszter mellett. A kis klaszter minden pontjának nagyon nagy a kiugró érték pontszáma k=5 -re. Hogy a sémát robusztusabbá tegyük k választására, úgy módosíthatjuk a 10.4. definíciót, hogy az első k -legközelebbi szomszédtól vett távolságok átlagát használja.