Dans cet article, nous proposons DiffusionNER, qui formule la tâche de reconnaissance d'entités nommées comme un processus de diffusion de débruitage des frontières et génère ainsi des entités nommées à partir d'intervalles bruyants. Au cours de l'entraînement, DiffusionNER ajoute progressivement des bruits aux frontières des entités dorées par un processus de diffusion en avant fixe et apprend un processus de diffusion inverse pour restaurer les frontières des entités. Lors de l'inférence, DiffusionNER commence par échantillonner aléatoirement certains intervalles bruyants à partir d'une distribution gaussienne standard, puis génère les entités nommées en les débruitant avec le processus de diffusion inverse appris. Le processus de débruitage des frontières proposé permet une amélioration progressive et un échantillonnage dynamique des entités, dotant DiffusionNER d'une capacité efficace et flexible de génération d'entités. Les expériences menées sur plusieurs jeux de données NER plats et emboîtés montrent que DiffusionNER atteint des performances comparables ou même supérieures à celles des modèles précédents de pointe.Note : - "Golden entity boundaries" est traduit par "frontières des entités dorées" car c'est une expression courante dans le domaine pour désigner les frontières correctes (ou idéales) des entités.- "Flat and nested NER datasets" est traduit par "jeux de données NER plats et emboîtés" pour respecter la terminologie spécifique du domaine.