Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/39224 |
Resumo: | Base de dados com diferentes proporções de exemplos por classe é algo frequente e pode afetar negativamente alguns algoritmos de aprendizagem supervisionada. Uma série de classificadores podem ficar enviesados quando são treinados nessas condições, especializando-se somente nas classes com maior quantidade de amostras, deixando de lado as classes minoritárias, as quais podem ser mais importantes para o objetivo em questão. Esse problema exige um esforço considerável de investigação e estudo para elaboração de métodos. Como nem sempre é possível, ou viável, a coleta de novas amostras da classe minoritária, métodos têm sido estudados e desenvolvidos para realizar a geração de amostras a partir das existentes, fazendo o chamado Oversampling. Utilizando as Generative Adversarial Networks - GANs, as quais compõem o estado da arte para geração de amostras sintéticas realistas, o presente trabalho propôs o método Adversarial Oversampling - AO. O método proposto utiliza as Auxiliary Classifier GANs - AC-GAN como rede adversária, para aprender a distribuição das classes e gerar amostras sintéticas para balancear a base de dados. Durante o treinamento do AO, é dado uma maior atenção às amostras consideradas difíceis, utilizando a própria rede adversária para determinar a dificuldade dessas amostras. Com isso, o AO tenta gerar amostras mais significativas, que colaboram para melhorar a região de fronteira do classificador em questão. As amostras sintéticas geradas são filtradas utilizando a rede adversário do AO. A primeira análise realizada teve como objetivo observar a morfologia das amostras geradas pelo Oversampling, e mostrou que o AO conseguiu gerar amostras com um aspecto visual mais fiel às amostras originais, comparado aos métodos tradicionais de Oversampling, que possuem a geração baseada em interpolação. Uma segunda análise foi feita para observar a precisão do classificador na classe minoritária à medida que são inseridas as amostras geradas pelo AO. Por fim, foi feito um experimento comparativo entre os métodos de Oversampling, observando o quão as amostras geradas contribuem para o aumento na precisão do classificador na classe minoritária. Esse experimento foi repetido em cinco bases de dados de imagens. Os resultados médios do AO mostraram indícios de superioridade em quatro das cinco das bases, em até 4%. Com base nos indícios obtidos através dos experimentos realizados, pode-se observar que o método proposto pode ser capaz de gerar amostras sintéticas, balanceando a distribuição das classes e contribuindo no processo de aprendizagem do classificador. |
id |
UFPE_56b36422ca74de850ca69ca11dcd505f |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/39224 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
LIMA, Jefferson Luiz Pessoahttp://lattes.cnpq.br/8138557692742391http://lattes.cnpq.br/4610098557429398http://lattes.cnpq.br/2763370548436903MATTOS NETO, Paulo Salgado Gomes deSALES, Fernando José Ribeiro2021-02-17T12:49:52Z2021-02-17T12:49:52Z2020-09-29LIMA, Jefferson Luiz Pessoa. Adversarial oversampling: um método para balanceamento baseado em redes neurais adversárias. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020.https://repositorio.ufpe.br/handle/123456789/39224Base de dados com diferentes proporções de exemplos por classe é algo frequente e pode afetar negativamente alguns algoritmos de aprendizagem supervisionada. Uma série de classificadores podem ficar enviesados quando são treinados nessas condições, especializando-se somente nas classes com maior quantidade de amostras, deixando de lado as classes minoritárias, as quais podem ser mais importantes para o objetivo em questão. Esse problema exige um esforço considerável de investigação e estudo para elaboração de métodos. Como nem sempre é possível, ou viável, a coleta de novas amostras da classe minoritária, métodos têm sido estudados e desenvolvidos para realizar a geração de amostras a partir das existentes, fazendo o chamado Oversampling. Utilizando as Generative Adversarial Networks - GANs, as quais compõem o estado da arte para geração de amostras sintéticas realistas, o presente trabalho propôs o método Adversarial Oversampling - AO. O método proposto utiliza as Auxiliary Classifier GANs - AC-GAN como rede adversária, para aprender a distribuição das classes e gerar amostras sintéticas para balancear a base de dados. Durante o treinamento do AO, é dado uma maior atenção às amostras consideradas difíceis, utilizando a própria rede adversária para determinar a dificuldade dessas amostras. Com isso, o AO tenta gerar amostras mais significativas, que colaboram para melhorar a região de fronteira do classificador em questão. As amostras sintéticas geradas são filtradas utilizando a rede adversário do AO. A primeira análise realizada teve como objetivo observar a morfologia das amostras geradas pelo Oversampling, e mostrou que o AO conseguiu gerar amostras com um aspecto visual mais fiel às amostras originais, comparado aos métodos tradicionais de Oversampling, que possuem a geração baseada em interpolação. Uma segunda análise foi feita para observar a precisão do classificador na classe minoritária à medida que são inseridas as amostras geradas pelo AO. Por fim, foi feito um experimento comparativo entre os métodos de Oversampling, observando o quão as amostras geradas contribuem para o aumento na precisão do classificador na classe minoritária. Esse experimento foi repetido em cinco bases de dados de imagens. Os resultados médios do AO mostraram indícios de superioridade em quatro das cinco das bases, em até 4%. Com base nos indícios obtidos através dos experimentos realizados, pode-se observar que o método proposto pode ser capaz de gerar amostras sintéticas, balanceando a distribuição das classes e contribuindo no processo de aprendizagem do classificador.CAPESDatasets with different proportions of examples per class are common and negatively affect some supervised learning algorithms. Some classifiers can be biased when trained in these conditions, specializing only in classes with a greater number of samples, leaving aside minority classes, which may be more important for the objective in question. This problem requires considerable research and study effort to develop methods. How is not always possible, or feasible, to collect new samples from the minority class, the methods have been studied for generating samples from existing ones. Using the Generative Adversarial Networks - GANs, which are the state of the art for generating realistic synthetic samples, the present work proposed the Adversarial Oversampling - AO method. The proposed method use the Auxiliary Classifier GANs - AC-GAN as an opposing network, to learn the distribution of classes and generate synthetic samples to balance the dataset, focusing on the minority class. During the training of AO, a preference is given to hardest samples, using the Discriminator D network to determine the difficulty of these samples. Further AO tries to generate more significant samples, which collaborate to improve the decision region of the classifier. The generated synthetic samples are filtered using the AO adversary network. The first analysis performedaimed to observe the morphology of the images samples generated by Oversampling and showed that AO generate samples with a visual aspect more faithful to the original samples, compared to traditional methods of Oversampling, which have an interpolation-based generation. A second analysis was made to observe the classifier’s accuracy in the minority class as the samples generated by AO are inserted. Finally, a comparative experiment was performed between the Oversampling methods, observing how the generated samples contribute to the classifier accuracy in the minority class. This experiment was repeated in five image datasets. The average results of AO showed evidence of superiority in four of the five datasets, up to 4%. Based on the evidence obtained through the experiments, the proposed method may be able to generate synthetic samples, balancing the the classes proportion, and contributing to the learning process of the classifier.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da InformacaoUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalRedes neuraisAdversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversáriasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdfDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdfapplication/pdf4731026https://repositorio.ufpe.br/bitstream/123456789/39224/1/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf2297f0e594d95b153cffefabb5e56c8eMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/39224/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52TEXTDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdf.txtDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdf.txtExtracted texttext/plain139936https://repositorio.ufpe.br/bitstream/123456789/39224/4/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf.txtc532a7b202908b091303c14ec4226e73MD54THUMBNAILDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdf.jpgDISSERTAÇÃO Jefferson Luiz Pessoa Lima.pdf.jpgGenerated Thumbnailimage/jpeg1217https://repositorio.ufpe.br/bitstream/123456789/39224/5/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf.jpg0b193ea9f5df50cd78a7da1d9c831a89MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/39224/3/license.txtbd573a5ca8288eb7272482765f819534MD53123456789/392242021-02-18 02:15:57.197oai:repositorio.ufpe.br:123456789/39224TGljZW7Dp2EgZGUgRGlzdHJpYnVpw6fDo28gTsOjbyBFeGNsdXNpdmEKClRvZG8gZGVwb3NpdGFudGUgZGUgbWF0ZXJpYWwgbm8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgKFJJKSBkZXZlIGNvbmNlZGVyLCDDoCBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBQZXJuYW1idWNvIChVRlBFKSwgdW1hIExpY2Vuw6dhIGRlIERpc3RyaWJ1acOnw6NvIE7Do28gRXhjbHVzaXZhIHBhcmEgbWFudGVyIGUgdG9ybmFyIGFjZXNzw612ZWlzIG9zIHNldXMgZG9jdW1lbnRvcywgZW0gZm9ybWF0byBkaWdpdGFsLCBuZXN0ZSByZXBvc2l0w7NyaW8uCgpDb20gYSBjb25jZXNzw6NvIGRlc3RhIGxpY2Vuw6dhIG7Do28gZXhjbHVzaXZhLCBvIGRlcG9zaXRhbnRlIG1hbnTDqW0gdG9kb3Mgb3MgZGlyZWl0b3MgZGUgYXV0b3IuCl9fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fX19fXwoKTGljZW7Dp2EgZGUgRGlzdHJpYnVpw6fDo28gTsOjbyBFeGNsdXNpdmEKCkFvIGNvbmNvcmRhciBjb20gZXN0YSBsaWNlbsOnYSBlIGFjZWl0w6EtbGEsIHZvY8OqIChhdXRvciBvdSBkZXRlbnRvciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMpOgoKYSkgRGVjbGFyYSBxdWUgY29uaGVjZSBhIHBvbMOtdGljYSBkZSBjb3B5cmlnaHQgZGEgZWRpdG9yYSBkbyBzZXUgZG9jdW1lbnRvOwpiKSBEZWNsYXJhIHF1ZSBjb25oZWNlIGUgYWNlaXRhIGFzIERpcmV0cml6ZXMgcGFyYSBvIFJlcG9zaXTDs3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGUEU7CmMpIENvbmNlZGUgw6AgVUZQRSBvIGRpcmVpdG8gbsOjbyBleGNsdXNpdm8gZGUgYXJxdWl2YXIsIHJlcHJvZHV6aXIsIGNvbnZlcnRlciAoY29tbyBkZWZpbmlkbyBhIHNlZ3VpciksIGNvbXVuaWNhciBlL291IGRpc3RyaWJ1aXIsIG5vIFJJLCBvIGRvY3VtZW50byBlbnRyZWd1ZSAoaW5jbHVpbmRvIG8gcmVzdW1vL2Fic3RyYWN0KSBlbSBmb3JtYXRvIGRpZ2l0YWwgb3UgcG9yIG91dHJvIG1laW87CmQpIERlY2xhcmEgcXVlIGF1dG9yaXphIGEgVUZQRSBhIGFycXVpdmFyIG1haXMgZGUgdW1hIGPDs3BpYSBkZXN0ZSBkb2N1bWVudG8gZSBjb252ZXJ0w6otbG8sIHNlbSBhbHRlcmFyIG8gc2V1IGNvbnRlw7pkbywgcGFyYSBxdWFscXVlciBmb3JtYXRvIGRlIGZpY2hlaXJvLCBtZWlvIG91IHN1cG9ydGUsIHBhcmEgZWZlaXRvcyBkZSBzZWd1cmFuw6dhLCBwcmVzZXJ2YcOnw6NvIChiYWNrdXApIGUgYWNlc3NvOwplKSBEZWNsYXJhIHF1ZSBvIGRvY3VtZW50byBzdWJtZXRpZG8gw6kgbyBzZXUgdHJhYmFsaG8gb3JpZ2luYWwgZSBxdWUgZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBhIHRlcmNlaXJvcyBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbsOnYS4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2Ugb3MgZGlyZWl0b3MgZGUgb3V0cmEgcGVzc29hIG91IGVudGlkYWRlOwpmKSBEZWNsYXJhIHF1ZSwgbm8gY2FzbyBkbyBkb2N1bWVudG8gc3VibWV0aWRvIGNvbnRlciBtYXRlcmlhbCBkbyBxdWFsIG7Do28gZGV0w6ltIG9zIGRpcmVpdG9zIGRlCmF1dG9yLCBvYnRldmUgYSBhdXRvcml6YcOnw6NvIGlycmVzdHJpdGEgZG8gcmVzcGVjdGl2byBkZXRlbnRvciBkZXNzZXMgZGlyZWl0b3MgcGFyYSBjZWRlciDDoApVRlBFIG9zIGRpcmVpdG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgTGljZW7Dp2EgZSBhdXRvcml6YXIgYSB1bml2ZXJzaWRhZGUgYSB1dGlsaXrDoS1sb3MgbGVnYWxtZW50ZS4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBlc3NlIG1hdGVyaWFsIGN1am9zIGRpcmVpdG9zIHPDo28gZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3UgY29udGXDumRvIGRvIGRvY3VtZW50byBlbnRyZWd1ZTsKZykgU2UgbyBkb2N1bWVudG8gZW50cmVndWUgw6kgYmFzZWFkbyBlbSB0cmFiYWxobyBmaW5hbmNpYWRvIG91IGFwb2lhZG8gcG9yIG91dHJhIGluc3RpdHVpw6fDo28gcXVlIG7Do28gYSBVRlBFLCBkZWNsYXJhIHF1ZSBjdW1wcml1IHF1YWlzcXVlciBvYnJpZ2HDp8O1ZXMgZXhpZ2lkYXMgcGVsbyByZXNwZWN0aXZvIGNvbnRyYXRvIG91IGFjb3Jkby4KCkEgVUZQRSBpZGVudGlmaWNhcsOhIGNsYXJhbWVudGUgbyhzKSBub21lKHMpIGRvKHMpIGF1dG9yIChlcykgZG9zIGRpcmVpdG9zIGRvIGRvY3VtZW50byBlbnRyZWd1ZSBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIHBhcmEgYWzDqW0gZG8gcHJldmlzdG8gbmEgYWzDrW5lYSBjKS4KRepositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212021-02-18T05:15:57Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
title |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
spellingShingle |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias LIMA, Jefferson Luiz Pessoa Inteligência computacional Redes neurais |
title_short |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
title_full |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
title_fullStr |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
title_full_unstemmed |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
title_sort |
Adversarial oversampling : um método para balanceamento baseado em Redes Neurais Adversárias |
author |
LIMA, Jefferson Luiz Pessoa |
author_facet |
LIMA, Jefferson Luiz Pessoa |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8138557692742391 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4610098557429398 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2763370548436903 |
dc.contributor.author.fl_str_mv |
LIMA, Jefferson Luiz Pessoa |
dc.contributor.advisor1.fl_str_mv |
MATTOS NETO, Paulo Salgado Gomes de |
dc.contributor.advisor-co1.fl_str_mv |
SALES, Fernando José Ribeiro |
contributor_str_mv |
MATTOS NETO, Paulo Salgado Gomes de SALES, Fernando José Ribeiro |
dc.subject.por.fl_str_mv |
Inteligência computacional Redes neurais |
topic |
Inteligência computacional Redes neurais |
description |
Base de dados com diferentes proporções de exemplos por classe é algo frequente e pode afetar negativamente alguns algoritmos de aprendizagem supervisionada. Uma série de classificadores podem ficar enviesados quando são treinados nessas condições, especializando-se somente nas classes com maior quantidade de amostras, deixando de lado as classes minoritárias, as quais podem ser mais importantes para o objetivo em questão. Esse problema exige um esforço considerável de investigação e estudo para elaboração de métodos. Como nem sempre é possível, ou viável, a coleta de novas amostras da classe minoritária, métodos têm sido estudados e desenvolvidos para realizar a geração de amostras a partir das existentes, fazendo o chamado Oversampling. Utilizando as Generative Adversarial Networks - GANs, as quais compõem o estado da arte para geração de amostras sintéticas realistas, o presente trabalho propôs o método Adversarial Oversampling - AO. O método proposto utiliza as Auxiliary Classifier GANs - AC-GAN como rede adversária, para aprender a distribuição das classes e gerar amostras sintéticas para balancear a base de dados. Durante o treinamento do AO, é dado uma maior atenção às amostras consideradas difíceis, utilizando a própria rede adversária para determinar a dificuldade dessas amostras. Com isso, o AO tenta gerar amostras mais significativas, que colaboram para melhorar a região de fronteira do classificador em questão. As amostras sintéticas geradas são filtradas utilizando a rede adversário do AO. A primeira análise realizada teve como objetivo observar a morfologia das amostras geradas pelo Oversampling, e mostrou que o AO conseguiu gerar amostras com um aspecto visual mais fiel às amostras originais, comparado aos métodos tradicionais de Oversampling, que possuem a geração baseada em interpolação. Uma segunda análise foi feita para observar a precisão do classificador na classe minoritária à medida que são inseridas as amostras geradas pelo AO. Por fim, foi feito um experimento comparativo entre os métodos de Oversampling, observando o quão as amostras geradas contribuem para o aumento na precisão do classificador na classe minoritária. Esse experimento foi repetido em cinco bases de dados de imagens. Os resultados médios do AO mostraram indícios de superioridade em quatro das cinco das bases, em até 4%. Com base nos indícios obtidos através dos experimentos realizados, pode-se observar que o método proposto pode ser capaz de gerar amostras sintéticas, balanceando a distribuição das classes e contribuindo no processo de aprendizagem do classificador. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-09-29 |
dc.date.accessioned.fl_str_mv |
2021-02-17T12:49:52Z |
dc.date.available.fl_str_mv |
2021-02-17T12:49:52Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
LIMA, Jefferson Luiz Pessoa. Adversarial oversampling: um método para balanceamento baseado em redes neurais adversárias. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/39224 |
identifier_str_mv |
LIMA, Jefferson Luiz Pessoa. Adversarial oversampling: um método para balanceamento baseado em redes neurais adversárias. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020. |
url |
https://repositorio.ufpe.br/handle/123456789/39224 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Informacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/39224/1/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf https://repositorio.ufpe.br/bitstream/123456789/39224/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/39224/4/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/39224/5/DISSERTA%c3%87%c3%83O%20Jefferson%20Luiz%20Pessoa%20Lima.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/39224/3/license.txt |
bitstream.checksum.fl_str_mv |
2297f0e594d95b153cffefabb5e56c8e e39d27027a6cc9cb039ad269a5db8e34 c532a7b202908b091303c14ec4226e73 0b193ea9f5df50cd78a7da1d9c831a89 bd573a5ca8288eb7272482765f819534 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1801857905255776256 |