具有不完整输入数据（缺少模态）的多模式学习是实用且具有挑战性的。在这项工作中，我们对这一挑战进行了深入的分析，发现模式优势对模型训练具有显着的负面影响，从而极大地降低了缺失的模态性能。是由Grad-CAM激励的，我们引入了一种新颖的指标，梯度，以监测和减少在缺失情景中广泛存在的模态主导性。为了帮助该指标，我们提出了一种新颖的梯度引导的模态解耦（GMD）方法，以促进对主导方式的依赖性。特定的是，GMD从不同模态中删除了冲突的梯度成分，以实现这种去耦，从而显着提高了性能。此外，要弹性处理模态分配数据，我们设计了一个参数有效的动态共享（DS）框架，该框架可以根据是否可用，可以根据是否可用来求解网络参数。我们对三个流行的多模式基准进行了广泛的实验，包括Brats 2018用于医学分割，CMU-MOSI和CMU-MOSEI进行情感分析。结果表明，我们的方法可以显着胜过竞争对手，表明所提出的解决方案的有效性。我们的代码在此处发布：https：//github.com/haowang420/gradient-gendient-gudide-modality-decoupling。