কে-এনএন খুব সীমাবদ্ধ অর্থে জেনারেলাইজ করে। এটি কেবল মসৃণতা প্রিয়ারগুলি (বা ধারাবাহিকতা অনুমান) ব্যবহার করে। এই অনুমানটি বোঝায় যে বৈশিষ্ট্য জায়গার নিকটে থাকা নিদর্শনগুলি সম্ভবত একই বর্গের অন্তর্গত। প্যাটার্ন বিতরণে কোনও কার্যকরী নিয়মিততা কে-এনএন দ্বারা পুনরুদ্ধার করা যাবে না।
সুতরাং এটির জন্য প্রতিনিধি প্রশিক্ষণের নমুনাগুলি প্রয়োজন যা বিশেষত অত্যন্ত মাত্রিক বৈশিষ্ট্যযুক্ত জায়গাগুলির ক্ষেত্রে অত্যন্ত বড় হতে পারে। সবচেয়ে খারাপ, এই নমুনাগুলি অনুপলব্ধ হতে পারে। ফলস্বরূপ, এটি আক্রমণকারীদের শিখতে পারে না। যদি নিদর্শনগুলি তাদের লেবেলগুলি পরিবর্তন না করেই কিছু রূপান্তরের শিকার হতে পারে এবং প্রশিক্ষণের নমুনায় সমস্ত গ্রহণযোগ্য উপায়ে রূপান্তরিত প্যাটার্ন থাকে না, তবে কে-এনএন প্রশিক্ষণ চলাকালীন উপস্থাপন করা হয়নি এমন রূপান্তরিত নিদর্শনগুলিকে কখনই স্বীকৃতি জানাতে পারে না। এটি সত্য, উদাহরণস্বরূপ, স্থানান্তরিত বা ঘোরানো চিত্রগুলির জন্য, যদি সেগুলি কে-এনএন চালানোর আগে কোনও আক্রমণকারী আকারে প্রতিনিধিত্ব না করে। k-NN এমনকি অপ্রাসঙ্গিক বৈশিষ্ট্যগুলি থেকে বিমূর্ত করতে পারে না।
আরও কিছুটা কৃত্রিম উদাহরণ অনুসরণ করা হচ্ছে। কল্পনা করুন যে বিভিন্ন শ্রেণীর অন্তর্গত প্যাটার্নগুলি পর্যায়ক্রমে বিতরণ করা হয় (উদাহরণস্বরূপ সাইন অনুসারে - যদি এটি 0 এর চেয়ে কম হয় তবে নিদর্শনগুলি একটি শ্রেণীর অন্তর্গত, এবং এটি আরও বেশি, তবে নিদর্শনগুলি অন্য শ্রেণীর অন্তর্গত)। প্রশিক্ষণ সেট সীমাবদ্ধ। সুতরাং, এটি একটি সীমাবদ্ধ অঞ্চলে অবস্থিত হবে। এই অঞ্চলের বাইরে স্বীকৃতি ত্রুটি 50% হবে। পর্যায় ভিত্তিক ফাংশনগুলির সাথে লজিস্টিক রিগ্রেশনটি কল্পনা করা যায় যা এই ক্ষেত্রে আরও ভাল সম্পাদন করবে। অন্যান্য পদ্ধতিগুলি প্যাটার্ন বিতরণ এবং এক্সট্রোপোলেটে অন্যান্য নিয়মিততাগুলি জানতে সক্ষম হবে।
সুতরাং, যদি কেউ সন্দেহ করে যে উপলব্ধ ডেটা সেটটি প্রতিনিধিত্বমূলক নয়, এবং নিদর্শনগুলির কিছু রূপান্তরের আগ্রাসন অর্জন করা উচিত, তবে এটি কেস-এনএন ছাড়িয়ে যাওয়া উচিত।