Cet article présente une nouvelle méthode d'attaque par reconstruction de données pour pallier la vulnérabilité d'un serveur central malveillant dans Federated Learning (FL), capable de reconstruire les données privées d'un client. Nous surmontons les limites des méthodes existantes, qui reposent sur des hypothèses concernant la distribution des données client (__T38186_____) et sont peu efficaces pour les lots de petite taille. En exploitant une nouvelle perspective géométrique sur des couches entièrement connectées, nous générons des paramètres de modèle malveillants capables de reconstruire parfaitement des lots de données de taille arbitraire sans connaissance préalable des données client. Des expériences sur des jeux de données image et tabulaire démontrent que notre méthode surpasse les méthodes existantes, permettant une reconstruction parfaite de lots de données deux fois plus importants que la méthode précédente la plus performante.
