Có nhiều vấn đề của phát hiện bất thường như sau:
Số thuộc tính dùng để định nghĩa bất thường – Câu hỏi xem một đối tượng có bất thường hay không phụ thuộc vào một thuộc tính đơn lẻ là câu hỏi xem giá trị của đối tượng cho thuộc tính đó có bất thường hay không. Vì một đối tượng có thể có nhiều thuộc tính, nó có thể có giá trị bất thường cho một số thuộc tính, nhưng giá trị bình thường cho các thuộc tính khác. Hơn nữa, một đối tượng có thể bất thường ngay cả khi không có giá trị thuộc tính nào độc lập là bất thường. Ví dụ, phổ biến có người cao 2 feet (trẻ em) hoặc nặng 300 pound, nhưng bất thường có người cao 2 feet mà nặng 300 pound. Định nghĩa bất thường nên xác định cách giá trị nhiều thuộc tính được dùng để quyết định một đối tượng có phải bất thường hay không. Đây là vấn đề thiết yếu khi chiều dữ liệu lớn.
Góc nhìn Toàn cục đối với Cục bộ (Global versus Local Perspective) – Một đối tượng có thể xuất hiện bất thường liên quan đến tất cả đối tượng, nhưng không liên quan đến đối tượng trong lân cận cục bộ của nó. Ví dụ, một người cao 6 feet 5 inch rất cao so với dân số chung, nhưng không cao so với cầu thủ bóng rổ chuyên nghiệp.
Mức độ một điểm là Bất thường (Degree to which a point is an Anomaly) – Đánh giá một đối tượng là bất thường được ghi lại bởi một số phương pháp theo kiểu nhị phân: đối tượng là bất thường hoặc không. Thông thường, điều này không phản ánh thực tế cơ bản rằng một số đối tượng là bất thường mạnh hơn các đối tượng khác. Do đó, thú vị để có nhiều đánh giá về mức độ một đối tượng là bất thường. Đánh giá này gọi là điểm bất thường hoặc điểm ngoại lai (anomaly or outlier score).
Xác định Một Bất thường tại một thời điểm đối với Nhiều Bất thường cùng lúc (Identifying One Anomaly at a Time versus Many Anomalies at Once) – Trong một số phương pháp, các bất thường bị loại bỏ một tại một thời điểm; tức là, ví dụ bất thường nhất được nhận diện và loại bỏ và sau đó quy trình lặp lại. Đối với nhiều kỹ thuật, một tập hợp các bất thường được nhận diện cùng lúc. Các kỹ thuật cố gắng nhận diện một bất thường tại một thời điểm thường chịu đựng vấn đề gọi là masking (che khuất), nơi sự hiện diện của nhiều bất thường che khuất sự hiện diện của tất cả. Nói cách khác, các kỹ thuật xác định nhiều ngoại lai cùng lúc có thể trải qua swamping (ngập), nơi các đối tượng bình thường được định nghĩa là ngoại lai. Trong phương pháp dựa trên mô hình, các hiệu ứng này có thể xuất hiện vì các bất thường làm thay đổi mô hình dữ liệu.
Hiệu quả (Efficiency) – Có sự khác biệt quan trọng về chi phí tính toán của các sơ đồ phát hiện bất thường khác nhau. Các sơ đồ dựa trên phân loại có thể cần tài nguyên đáng kể để tạo mô hình phân loại, nhưng thường rẻ khi sử dụng. Tương tự, các phương pháp thống kê tạo mô hình thống kê và có thể phân loại một phần tử trong thời gian hằng số.