Selbstüberwachtes (SS) Lernen ist ein leistungsfähiger Ansatz für die Repräsentationslernen mit unbeschrifteten Daten. In jüngster Zeit wurde es auf die Training von Generativen adversarialen Netzwerken (GANs) angewendet. Insbesondere wurden SS-Aufgaben vorgeschlagen, um das Problem des katastrophalen Vergessens im GAN-Discriminator zu bewältigen. In dieser Arbeit führen wir eine detaillierte Analyse durch, um zu verstehen, wie SS-Aufgaben mit dem Lernen des Generators interagieren. Aus der Analyse identifizieren wir Schwächen der bestehenden SS-Aufgaben, die es einem stark modenkollabierten Generator ermöglichen, die SS-Aufgaben gut zu bewältigen. Um diese Probleme zu beheben, schlagen wir neue SS-Aufgaben vor, die auf einem mehrklassigen Minimax-Spiel basieren. Der Wettbewerb zwischen unseren vorgeschlagenen SS-Aufgaben im Spiel fördert, dass der Generator die Datenausbreitung lernt und vielfältige Beispiele generiert. Wir liefern sowohl theoretische als auch empirische Analysen, um zu belegen, dass unsere vorgeschlagenen SS-Aufgaben eine bessere Konvergenzeigenschaft aufweisen. Wir führen Experimente durch, um unsere vorgeschlagenen SS-Aufgaben in zwei verschiedene GAN-Baselinemodelle zu integrieren. Unser Ansatz erreicht state-of-the-art FID-Scores auf den Datensätzen CIFAR-10, CIFAR-100, STL-10, CelebA, ImageNet $32\times32$32×32 und Stacked-MNIST und übertrifft in einigen Fällen bestehende Ansätze deutlich. Unser unconditional GAN-Modell erreicht Leistungsniveau eines conditional GAN ohne Verwendung von beschrifteten Daten. Unser Code: https://github.com/tntrung/msgan