본 논문은 연합 학습(Federated Learning, FL)에서 악의적인 중앙 서버가 클라이언트의 개인 데이터를 재구성할 수 있는 취약성을 다룹니다. 기존의 데이터 재구성 공격은 클라이언트 데이터 분포에 대한 가정에 의존하거나, 배치 크기가 수십 개를 넘어서면 효율성이 크게 저하되는 한계를 가지고 있습니다. 본 연구는 완전 연결 계층에 대한 새로운 기하학적 관점을 활용하여 악의적인 모델 파라미터를 생성하는 새로운 데이터 재구성 공격을 제시합니다. 이 방법은 클라이언트 데이터에 대한 사전 지식 없이 분류 작업에서 임의로 큰 데이터 배치를 완벽하게 복구할 수 있습니다. 이미지 및 표 데이터셋에 대한 광범위한 실험을 통해 기존 방법보다 성능이 우수하며, 최첨단 기술보다 두 자릿수 더 큰 데이터 배치의 완벽한 재구성을 달성함을 보여줍니다.
