응답자 주도 샘플링 (Respondent-driven sampling)과 같은 동료 추천 채용 (Peer-referral recruitment) 시스템은 감염병의 영향을 받는 숨겨진 인구 집단을 연구하고 개입하는 데 매우 중요합니다. 채용을 가속화하기 위해 공중 보건 기관은 여러 라운드에 걸쳐 제한된 추천 자원을 적응적으로 할당해야 하며, 이때 현재의 결정은 미래 채용자의 수와 공변량 (Covariates) 모두를 결정하게 됩니다. 기존 연구들은 추천이 균질한 인구 집단으로부터 독립 항등 분포 (i.i.d.)로 추출된다고 가정하여 이 문제를 해결 가능하게 만들었으나, 이러한 가정은 실제 동료 채용을 주도하는 동종 선호 (Homophily) 및 공유된 맥락을 무시합니다. 대신 우리는 추천 능력과 새로 추천된 개인의 공변량 모두가 추천자 (Referrer)에 따라 조건화되는 더 현실적인 모델을 고려하며, 이는 검열된 계수 모델 (Censored count model)과 조건부 생성 모델 (Conditional generative model)을 통해 데이터로부터 학습됩니다. 결과적으로 발생하는 계획 문제는 각 후보 할당이 미래 채용자에 대한 서로 다른 분포를 유도하기 때문에 매우 까다롭습니다. 우리는 매 단계의 몬테카를로 샘플링 (Monte-Carlo sampling)을 잠재적 공변량-커버리지 가치 대리물 (Latent covariate-coverage value surrogate)에 대한 결정론적 백업 (Deterministic backup)으로 대체하는 모델 기반 플래너인 생성적 프런티어 계획 (Generative Frontier Planning, GFP)을 제안합니다. 이 대리물은 다음 프런티어의 기대값이 오프라인에서 분할 상환 (Amortized)되는 유한 차원 요약 정보를 통해서만 자손 생성 모델 (Offspring generative model)에 의존하도록 설계되었으며, 결과적으로 라운드당 목적 함수가 수확 체감 (Diminishing returns)의 단조성을 갖도록 설계되었습니다. 이 두 가지 특성이 결합되어 계획 문제를 해결 가능하게 만듭니다. 즉, 결정론적 백업은 몬테카를로 샘플링을 제거하고, 수확 체감 구조는 한계 탐욕적 할당 (Marginal greedy allocation)이 라운드당 문제에 대해 $(1-1/e)$ 근사치를 달성할 수 있게 합니다. 실제 응답자 주도 샘플링 데이터셋에 맞춰 조정된 시뮬레이션 환경에서, GFP는 네 가지 할인 계수 (Discount factors) 전반에 걸쳐 무작위 (Random), 강화학습 (Reinforcement-learning), 그리고 i.i.d. 동적 계획법 (Dynamic-programming) 베이스라인보다 우수한 성능을 보였습니다.