본 논문은 참조 데이터 없이 생성 모델의 다양성을 평가하는 기존 방법인 Vendi score와 RKE score의 통계적 수렴성을 분석하고, Vendi score의 계산 비용 문제를 해결하기 위한 새로운 방법을 제시합니다. 기존 Vendi score는 고차원 행렬의 고유값 분해를 필요로 하여, 대규모 데이터셋에 적용하기 어려운 한계가 있었습니다. 본 논문에서는 고유 스펙트럼을 절단하는 $t$-truncated Vendi score를 제안하여, 제한된 샘플 수에서도 안정적으로 수렴하도록 개선합니다. 또한, Nystrom과 FKEA 근사 방법이 $t$-truncated Vendi score의 점근적 한계에 수렴함을 보입니다. 반면 RKE score는 모든 커널 함수에 대해 보편적인 수렴성을 보장함을 증명합니다. 실험을 통해 Nystrom과 FKEA를 이용한 Vendi score가 $t$-truncated Vendi score에 근접하게 수렴함을 보이고, 이미지 및 텍스트 데이터의 다양성과의 상관관계를 분석합니다.
