自己教師あり（Self-supervised, SS）学習は、ラベルのないデータを用いた表現学習において強力なアプローチである。近年、この手法は生成対抗ネットワーク（Generative Adversarial Networks, GAN）の学習に応用されつつある。特に、GANの識別器における「災害的忘却（catastrophic forgetting）」問題に対処するため、SSタスクが提案されている。本研究では、SSタスクが生成器の学習とどのように相互作用するかを深く分析する。その分析から、著しくモード崩壊（mode collapse）が進行した生成器であっても、SSタスクを優れて達成できてしまうというSSタスクの課題を明らかにした。この課題を解決するため、複数クラスのミニマックスゲームに基づく新しいSSタスクを提案する。このゲームにおける提案タスク間の競争により、生成器はデータ分布をより正確に学習し、多様なサンプルを生成するよう促進される。我々は、理論的および実験的分析を通じて、提案するSSタスクがより優れた収束性を有することを裏付けた。さらに、2種類の異なるGANベースラインモデルに提案タスクを組み込み、実験を行った。その結果、CIFAR-10、CIFAR-100、STL-10、CelebA、ImageNet $32\times32$32×32、Stacked-MNISTなどのデータセットにおいて、既存手法を大きく上回る最先端のFIDスコアを達成した。特に、ラベル付きデータを一切使用せずに、条件付きGANの性能に近づく非条件型GANモデルの構築にも成功した。コードは以下より公開：https://github.com/tntrung/msgan