विसंगति का पता लगाने के विभिन्न मुद्दे हैं जो इस प्रकार हैं -
विसंगति को परिभाषित करने के लिए उपयोग की जाने वाली विशेषताओं की संख्या - किसी वस्तु का विसंगतिपूर्ण प्रश्न एक व्यक्तिगत विशेषता पर निर्भर करता है, यह एक प्रश्न है कि क्या उस विशेषता के लिए वस्तु का मान विषम है। क्योंकि एक वस्तु में कई विशेषताएँ हो सकती हैं, इसमें कई विशेषताओं के लिए विषम मान हो सकते हैं, लेकिन कई विशेषताओं के लिए सामान्य मान हो सकते हैं।
इसके अलावा, कोई वस्तु असंगत हो सकती है, भले ही उसका कोई भी विशेषता मान स्वतंत्र रूप से असंगत न हो। उदाहरण के लिए, दो फुट लंबे (बच्चे) या 300 पाउंड वजन वाले व्यक्ति का होना सामान्य है, लेकिन दो फुट लंबे व्यक्ति का वजन 300 पाउंड होना असामान्य है।
एक विसंगति के विवरण को परिभाषित करना चाहिए कि कैसे कई विशेषताओं के मूल्यों का उपयोग यह तय करने के लिए किया जाता है कि कोई वस्तु एक विसंगति है या नहीं। जब डेटा का आकार बड़ा होता है तो यह एक आवश्यक समस्या है।
वैश्विक बनाम स्थानीय परिप्रेक्ष्य - एक वस्तु सभी वस्तुओं के संबंध में असामान्य दिखाई दे सकती है, लेकिन अपने स्थानीय पड़ोस में वस्तुओं से संबंधित नहीं। उदाहरण के लिए, एक व्यक्ति जिसकी ऊंचाई 6 फीट 5 इंच है, वह सामान्य आबादी के मामले में बहुत लंबा है, लेकिन पेशेवर बास्केटबॉल खिलाड़ियों से संबंधित नहीं है।
डिग्री जहां तक एक बिंदु एक विसंगति है - किसी वस्तु का आकलन एक विसंगति है, कुछ विधियों द्वारा द्विआधारी तरीके से प्रलेखित किया जाता है:एक वस्तु एक विसंगति है या नहीं। आम तौर पर, यह मूल वास्तविकता को प्रतिबिंबित नहीं करता है कि कुछ वस्तुएं दूसरों की तुलना में अधिक तीव्र विसंगतियां हैं। इसलिए, किसी वस्तु के विषम होने की डिग्री का कई मूल्यांकन करना आकर्षक है। इस आकलन को विसंगति या बाहरी स्कोर कहा जाता है।
एक समय में एक विसंगति बनाम एक साथ कई विसंगतियों की पहचान करना - कुछ विधियों में, विसंगतियों को एक-एक करके समाप्त किया जाता है; यानी, सबसे विषम उदाहरणों को पहचाना और हटा दिया जाता है और फिर प्रक्रिया दोहराई जाती है। अनेक तकनीकों के लिए, विसंगतियों के एक समूह को एक साथ पहचाना जाता है।
एक समय में एक विसंगति को पहचानने की कोशिश करने वाली तकनीकें अक्सर मास्किंग नामक एक मुद्दे के अधीन होती हैं, जहां कई विसंगतियों की उपस्थिति सभी की उपस्थिति को मुखौटा बनाती है। दूसरे शब्दों में, तकनीकें जो एक साथ कई आउटलेयर की पहचान करती हैं, वे दलदल का अनुभव कर सकती हैं, जहां सामान्य वस्तुओं को आउटलेयर के रूप में परिभाषित किया जाता है। मॉडल-आधारित पद्धति में, ये प्रभाव प्रकट हो सकते हैं क्योंकि विसंगतियाँ डेटा मॉडल को बदल देती हैं।
दक्षता - कई विसंगति का पता लगाने वाली योजनाओं की कम्प्यूटेशनल लागत में महत्वपूर्ण अंतर हैं। वर्गीकरण-आधारित योजनाओं को वर्गीकरण मॉडल बनाने के लिए आवश्यक संसाधनों की आवश्यकता हो सकती है, लेकिन आमतौर पर उपयोग करने के लिए सस्ती होती हैं। इसी तरह, सांख्यिकीय विधियां एक सांख्यिकीय मॉडल तैयार करती हैं और एक तत्व को निरंतर समय में वर्गीकृत कर सकती हैं।