يُعد التعلم الذاتي (SS) من الأساليب القوية لتعلم التمثيل باستخدام بيانات غير مُعلّمة. في الآونة الأخيرة، تم تطبيقه على تدريب الشبكات التوليدية المتنافسة (GAN). وبشكل خاص، تم اقتراح مهام ذاتية التعلم لمعالجة مشكلة النسيان الكارثي في مُميّز GAN. في هذه الدراسة، نقوم بتحليل معمق لفهم كيفية تفاعل مهام التعلم الذاتي مع تعلم المولّد. ومن خلال هذا التحليل، نُحدّد مشكلات في مهام التعلم الذاتي تسمح لمُولّد مُتقلّص بشكل شديد للنماذج (mode-collapsed) بالتفوّق في مهام التعلم الذاتي. ولحل هذه المشكلات، نقترح مهامًا ذاتية تعلم جديدة تعتمد على لعبة المينيمكس متعددة الفئات. ويشجّع التنافس بين المهام المقترحة في هذه اللعبة المولّد على تعلّم توزيع البيانات وإنتاج عينات متنوعة. ونقدّم تحليلًا نظريًا وتجريبيًا لدعم أن مهام التعلم الذاتي المقترحة تمتلك خواص تقارب أفضل. كما نُجري تجارب لدمج المهام المقترحة في نموذجين أساسيين مختلفين من GAN. ويُحقّق نهجنا أداءً متفوّقًا من حيث مؤشر FID على مجموعات بيانات CIFAR-10 وCIFAR-100 وSTL-10 وCelebA وImagenet $32\times32$32×32 وStacked-MNIST، ويتفوّق على الطرق الحالية بفارق كبير في بعض الحالات. ويُقارب نموذج GAN غير الشرطي الأداء المُحقّق بواسطة GAN الشرطي دون الحاجة إلى بيانات مُعلّمة. رابط الكود: https://github.com/tntrung/msgan