長大なエンティティに含まれるエンティティは、ネストされたエンティティ（nested entities）と呼ばれる。大多数の固有表現認識（Named Entity Recognition, NER）システムは平坦なエンティティ（flat entities）のみを扱い、内部に存在するネストされたエンティティを無視するため、テキストに内在するより細粒度な意味情報を捉え損なう。この問題に対処するため、本研究では、平坦なNER層を動的に積み重ねることでネストされたエンティティを識別する新しいニューラルモデルを提案する。各平坦NER層は、双方向Long Short-Term Memory（LSTM）層を用いて順序文脈表現を捉え、それを段階的（cascaded）なCRF層に供給する最先端の平坦NERモデルに基づいている。本モデルは、現在の平坦NER層におけるLSTM層の出力を統合し、検出されたエンティティに対する新たな表現を構築し、それを次の平坦NER層に供給する。これにより、内側のエンティティにエンコーディングされた情報を最大限に活用して外側のエンティティを抽出する「内側から外側へ」というアプローチが可能となる。本モデルは、外側のエンティティが新たに抽出されなくなるまで、平坦NER層を動的に積み重ねる。広範な評価により、本モデルはネストされたNERにおいて最先端の特徴ベースシステムを上回り、GENIAデータセットおよびACE2005データセットにおいて、それぞれFスコア74.7%および72.2%を達成した。