في هذا البحث، نقترح نظام DiffusionNER، الذي يصيغ مهمة التعرف على الكيانات المسمّاة كعملية تفتيت حدود (boundary-denoising diffusion process) ومن ثم يولد الكيانات المسمّاة من فواصل ضوضائية. أثناء التدريب، يقوم DiffusionNER بتدريجي إضافة الضوضاء إلى حدود الكيانات الذهبية بواسطة عملية تفتيت محددة وثابتة ويتعلم عملية تفتيت عكسية لاستعادة حدود الكيانات. في مرحلة الاستدلال، يقوم DiffusionNER أولاً بأخذ عينات عشوائية من فواصل ضوضائية من توزيع غاوس القياسي، ثم يولد الكيانات المسمّاة عن طريق تنقية هذه الفواصل باستخدام العملية التفتيت العكسية التي تم تعلمها. يسمح النظام المقترح للتفتيت الحدودي بالتحسين التدريجي والعينة الديناميكية للكيانات، مما يمنح DiffusionNER قدرة فعالة ومرونة في إنتاج الكيانات. أظهرت التجارب على عدة مجموعات بيانات للتعرف على الكيانات المسمّاة (NER) سواء البسيطة أو المتداخلة أن DiffusionNER حقق أداءً مماثلاً أو حتى أفضل من النماذج الرائدة السابقة.