在统计学习中，基于观测数据识别真实目标函数的底层结构对于促进后续建模和分析至关重要。与大多数现有方法在特定模型假设下关注特定设置不同，本文提出了一种通用的新颖框架，用于在再生核希尔伯特空间（RKHS）中使用非结构化M估计恢复目标函数的真实结构。这个框架的灵感来自这样一个事实，即梯度函数可以作为一个有效的工具来学习底层结构，包括稀疏学习、交互选择和模型识别，并且通过利用RKHS的一些优良特性很容易实现。更重要的是，它接受了广泛的损失函数，因此包括许多常用的方法，如特殊情况下的均值回归、分位数回归、基于似然的分类和基于边缘的分类，这些方法通过求解凸优化任务也具有计算效率。该框架的渐近结果建立在一个丰富的损失函数族中，没有任何明确的模型规范。各种模拟示例和实际案例研究也证明了该框架的优越性能。