多模态模型往往过度依赖优势模态，因而无法实现最佳性能。以往的研究主要集中在修改训练目标或优化过程，而基于数据的解决方案仍然探索不足。为此，我们提出 MIDAS，一种新颖的数据增强策略，其核心思想是生成跨模态语义不一致的错配样本，并利用单模态置信度分数进行标注，从而迫使模型在矛盾信号中学习。然而，这种基于置信度的标注仍可能偏向于更自信的模态。为了解决这一问题，我们在错配样本中引入了弱模态加权机制，该机制动态地增加最不自信模态的损失权重，从而帮助模型充分利用较弱的模态。 此外，当错配特征与对齐特征表现出更高相似度时，这些错配样本往往构成更大的挑战，从而促使模型更好地区分类别。为了利用这一特性，我们提出了难样本加权方法，该方法优先考虑此类语义上更模糊的错配样本。 在多个多模态分类基准上的实验表明，MIDAS 在解决模态失衡问题上显著优于相关基线方法。