본 논문은 연합 학습(Federated Learning, FL)에서 악의적인 중앙 서버가 클라이언트의 개인 데이터를 재구성할 수 있는 취약성을 해결하기 위한 새로운 데이터 재구성 공격 방법을 제시합니다. 기존 방법들의 한계점인 클라이언트 데이터 분포에 대한 가정 의존성 및 작은 배치 크기에서의 효율성 저하 문제를 극복하고, 완전 연결 계층에 대한 새로운 기하학적 관점을 활용하여 클라이언트 데이터에 대한 사전 지식 없이 임의의 크기의 데이터 배치를 완벽하게 복구할 수 있는 악성 모델 파라미터를 생성합니다. 이미지 및 표 데이터셋에 대한 실험을 통해 기존 방법보다 우수한 성능을 보이며, 기존 최고 성능보다 두 자릿수 더 큰 데이터 배치의 완벽한 재구성을 달성함을 보여줍니다.
