我有一个数据集，并希望能够以有监督的方式从中构建一个图表。

假设我有一个包含N个节点的数据集，每个节点有例如 10 个特征。在这 N 个节点中，我想学习一个图，即$N \times N$邻接矩阵。所以，我从$N$节点，我只知道每个节点的 10 维特征向量。我不知道这些节点之间的关系，想弄清楚。

这是一个示例$N=6$, 但在实践中$N$不固定。

所以我想在这里得到的输出是$6\times6$邻接矩阵，表示节点之间的关系（无向）。

注意：N是任意的，不是固定的。因此，算法应该能够在任何给定的N上执行。

我的数据集已标记。对于训练数据集，我对每个输入节点集合都有所需的邻接矩阵，其中填充有$0$沙$1$s。

然而，算法的输出也可以是一个用非整数填充的邻接矩阵$[0,1]$，给出节点连接的某种概率（最好接近$0$或者$1$当然）。所以我可以很容易地给出一个数字作为每个节点的标签。在上面的例子中，三个连接节点的标签可以是类$1$， 等等。

是否有任何类型的监督学习算法（例如某种图神经网络）可以执行这些任务？