在小样本问题中，以下哪些方法是有效的？A. 数据增强B. 迁移学习C. 使用更多的数据D. 使用更复杂的模型E. 忽略小样本问题

本题考查在小样本问题中有效的解决方法相关知识。解题思路是对每个选项进行分析，判断其是否能有效解决小样本问题。

• 选项A：数据增强
  数据增强是通过对原始数据进行一系列变换，如旋转、翻转、缩放等，来生成新的数据样本。在小样本问题中，原始数据量有限，使用数据增强可以在不实际增加真实数据的情况下，扩充数据集的规模，让模型有更多的数据进行学习，从而提高模型的泛化能力，所以该方法是有效的。
• 选项B：迁移学习
  迁移学习是将在一个或多个源任务上学习到的知识迁移到目标任务中。在小样本问题中，目标任务的数据量少，难以训练出一个好的模型。而迁移学习可以利用在其他大规模数据集上预训练好的模型，将其学到的特征和知识迁移到当前的小样本任务中，帮助模型更快地收敛并取得较好的效果，因此该方法是有效的。
• 选项C：使用更多的数据
  虽然题目是小样本问题，但如果能够获取到更多的数据，那么模型就有了更丰富的信息进行学习。更多的数据可以让模型学习到更全面的特征和模式，减少过拟合的风险，提高模型的性能，所以该方法是有效的。
• 选项D：使用更复杂的模型
  在小样本问题中，数据量有限。更复杂的模型通常具有更多的参数，需要大量的数据来进行训练和调整参数，以避免过拟合。如果使用更复杂的模型，由于数据量不足，模型很容易在训练数据上过度拟合，而在测试数据上表现不佳，所以该方法不是有效的。
• 选项E：忽略小样本问题
  忽略小样本问题显然不能解决问题，小样本问题会导致模型性能不佳，无法准确地完成任务，所以该方法是不可取的。