在membership query上，由於SBF和CBF都沿用bloom filter的基本結構，因此很難在membership query上提高查詢效率。但在查詢元素出現頻率（大於1的情況）時，由於SBF採用counter中的最小值來近似表示元素的出現頻率，使得各個counter的重要性有所差別，因此CBF將counter一視同仁的做法就有提高的空間。
先來看第一種優化算法Minimal Increase。這種算法的思想比較簡單，從它的名字大家也能猜出個大概。它的基本思想是：既然在查詢元素出現頻率時我們只關心counter的最小值，那在增加元素時我們就只增加最小值。如果有多個counter都是最小值，把它們都增加；如果連續加入r個相同的元素，就把最小值（一個或多個counter）加r，其它counter的值或者維持不變，或者設爲最小值加r，看哪一個比較大。這種算法是一種聰明的偷工減料：原來增加一個元素時要增加k（哈希函數個數）個counter，現在只需要增加最小值。而counter的增加次數一旦減少，就意味着hashing時碰撞的次數減少，因此查詢元素出現頻率時出錯的可能性也就隨之降低。經論文作者證明，Minimal Increase使查詢錯誤率降低了k倍。
當然，偷工減料不可能只有好處。Minimal Increase最大的弊端就是不支持刪除操作。很明顯，由於增加元素時增加的counter不確定，因此刪除元素時也無從下手。如果將k個counter都減少，就會造成false negative的出現（查詢結果表明集合不包含某元素而實際上包含）。由於這個嚴重的弊端，Minimal Increase的應用前景被大打折扣。
下面我們來看一種既支持增刪操作又降低查詢錯誤率的算法Recurring Minimum。這種算法的基本思想是：發現有可能出錯的情況，然後將它們單獨處理。先解釋一下什麼是recurring minimum。SBF中如果一個元素對應的k個counter中有一個以上都維持最小值，就稱它有recurring minimum（RM）。我們發現沒有RM（即single minimum）的元素出現查詢錯誤的概率很高，而有RM的元素錯誤概率很低。因此這種算法將沒有RM的元素單獨處理，在主SBF之外又增加了一個輔助的SBF，專門用來存儲這類元素。由於這類元素所佔比例不會太大，因此輔SBF可以只分配較小的空間，比如主SBF的一半大小。
採用Recurring Minimum增加元素x時，先將x在主SBF對應的k個counter的值增加，然後再判斷這k個counter有沒有recurring minimum。如果有，就當什麼事都沒有發生，直接繼續；如果沒有，就意味着x出錯的概率很大，這時我們將x存儲在輔SBF上，counter的值設爲x在主SBF對應counter的最小值。刪除元素和上面的操作類似，由於主SBF沒有受算法的影響，所以不會出現false negative。在查詢一個元素時，先看它在主SBF中有沒有recurring minimum。如果有，就返回counter的最小值；否則檢查輔SBF中的counter最小值，如果大於0就返回這個值，否則返回主SBF的值。
由於有recurring minimum的情況本來出錯概率就很小，而沒有recurring minimum的情況又單獨處理，也大大降低了出錯概率，所以整個算法的錯誤率得以降低。Recurring Minimum算法的錯誤率雖然不及Minimum Increase，但比原來的錯誤率要好很多，可以說是用更多的空間換取了錯誤率的大幅降低。