Este artículo presenta un novedoso método de ataque de reconstrucción de datos para abordar la vulnerabilidad de un servidor central malicioso en Aprendizaje Federado (FL), donde puede reconstruir los datos privados de un cliente. Superamos las limitaciones de los métodos existentes, que se basan en suposiciones sobre la distribución de los datos del cliente (__T78691_____) y presentan baja eficiencia con lotes pequeños. Al aprovechar una novedosa perspectiva geométrica en capas completamente conectadas, generamos parámetros de modelo maliciosos que pueden reconstruir perfectamente lotes de datos de tamaño arbitrario sin conocimiento previo de los datos del cliente. Experimentos con conjuntos de datos de imágenes y tablas demuestran que nuestro método supera a los métodos existentes, logrando una reconstrucción perfecta de lotes de datos dos órdenes de magnitud mayores que el método anterior de mejor rendimiento.
